Oskar Allerbo får Naturvetenskapliga fakultetens avhandlingspris

Hur känns det att få årets avhandlingspris? 
– Det känns såklart väldigt roligt och hedrande. Som doktorand är man ju ofta lite ensam i sitt arbete. Därför är det mycket uppmuntrande att få det här beviset på att det finns de som uppskattar mitt arbete. 

Vad handlar din avhandling om? 
– Jag har studerat olika aspekter av regression. Regression är en statistisk metod med målet att hitta den funktion som bäst passar observerade data. Det enklaste exemplet är linjär regression, där man i princip kan plotta sin data på ett papper och med linjal rita den linje som passar bäst, men regression innefattar även mycket mer komplexa funktioner, till exempel automatisk textöversättning baserad på artificiella neuronnät. 
En begränsning för komplexa regressionsmodeller är att de tenderar att vara dyra, i fråga om tid och beräkningskraft, att anpassa till data (vilket brukar kallas att träna modellen) och att de är svåra att tolka. I min forskning har jag utvecklat olika metoder för att öka tolkningsbarheten och minska träningskostnaden för komplexa regressionsmodeller. 

Bild

Hur kan din forskning komma samhället till nytta? 
– Regression dyker upp så fort man vill konstruera funktioner utifrån data, och antalet exempel är närmast oändligt. Det kan handla om att förutsäga risken för en hjärtattack utifrån patientdata, om automatisk bildigenkänning eller om att förutspå vädret utifrån olika faktorer.  
I vissa fall är det väldigt viktigt att kombinera goda prediktionsegenskaper med hög tolkningsbarhet; ett, ytterst hypotetiskt, exempel skulle kunna vara automatiserade domstolar – i detta fall vill man absolut inte ha en modell vars resonemang man inte förstår. I andra fall, om exempelvis hårdvaran eller tiden är begränsad, kan det vara kritiskt att reducera beräkningskostnaden för en modell. 
Förhoppningsvis kan min forskning bidra till att fler människor kan träna avancerade, men intuitiva, modeller snabbare och billigare. 

Vad gör du nu? 
– Nu arbetar jag som postdoktor på Kungliga tekniska högskolan, KTH. Jag deltar i ett samarbete med Karolinska Institutet, där vi försöker prediktera blodsockerhalten utifrån de elektriska signalerna i vagusnerven. 
 

Motivering till priset

Oskar Allerbos avhandling genomsyras av vetenskaplig nyfikenhet kring kopplingar mellan maskininlärnings- och AI-metoder och statistik. I sin avhandling har Oskar utvecklat metoder som gör neurala nätverksmetoder mer tolkningsbara. Han har även presenterat Elastic Gradient Descent, ett metodarbete som studerar länken mellan gradient descent med early stopping och ridge regression, och på liknande vis coordinate descent och lasso regression. Oskar har vidare studerat kernel ridge regression och introducerat kernel gradient flow. Han har här visat att man kan använda sig av en tidsberoende bandbredd och demonstrerat att detta leder till double descent liknande vad man observerat för neurala nätverk. Sammantaget har Oskars avhandling bidragit till nya insikter i hur komplicerade neurala nätverk lär sig genom att knyta dessa till klassiska statistiska metoder. Oskar brinner för sin forskning men även för den akademiska miljön som helhet. Oskar har under sin doktorandperiod engagerat sig i doktorandutbildningen vid universitetet som doktorandrepresentant i forskarutbildningsberedningen vid naturvetenskapliga fakulteteten. Han har dessutom varit kursansvarig och examinator och därmed bidragit till grundutbildningen.