New kernel functions and learning methods for text and data mining

Recent advances in machine learning methods enable increasingly the automatic construction of various types of computer assisted methods that have been difficult or laborious to program by human experts. The tasks for which this kind of tools are needed arise in many areas, here especially in the fields of bioinformatics and natural language processing. The machine learning methods may not work satisfactorily if they are not appropriately tailored to the task in question. However, their learning performance can often be improved by taking advantage of deeper insight of the application domain or the learning problem at hand. This thesis considers developing kernel-based learning algorithms incorporating this kind of prior knowledge of the task in question in an advantageous way. Moreover, computationally efficient algorithms for training the learning machines for specific tasks are presented. In the context of kernel-based learning methods, the incorporation of prior knowledge is often done by designing appropriate kernel functions. Another well-known way is to develop cost functions that fit to the task under consideration. For disambiguation tasks in natural language, we develop kernel functions that take account of the positional information and the mutual similarities of words. It is shown that the use of this information significantly improves the disambiguation performance of the learning machine. Further, we design a new cost function that is better suitable for the task of information retrieval and for more general ranking problems than the cost functions designed for regression and classification. We also consider other applications of the kernel-based learning algorithms such as text categorization, and pattern recognition in differential display. We develop computationally efficient algorithms for training the considered learning machines with the proposed kernel functions. We also design a fast cross-validation algorithm for regularized least-squares type of learning algorithm. Further, an efficient version of the regularized least-squares algorithm that can be used together with the new cost function for preference learning and ranking tasks is proposed. In summary, we demonstrate that the incorporation of prior knowledge is possible and beneficial, and novel advanced kernels and cost functions can be used in algorithms efficiently.

Automaattisen nukleiinihappoeristyslaitteen ja reaaliaikaisen PCR-menetelmän soveltuvuus herpes simplex -virusten keskushermostoinfektiodiagnostiikkaan

Keskushermosto- ja neonataali-infektiot ovat herpes simplex -virusten aiheuttamista taudeista vakavimpia. Niihin on olemassa lääkitys, joka on tehokkain, kun se aloitetaan aivan sairauden alkuvaiheessa. Näiden infektioiden diagnostiikassa PCR-menetelmä on herkin. Tämä menetelmä on kuitenkin työläs ja aikaa vievä, joten uudet nopeammat menetelmät ovat tervetulleita. Opinnäytetyö tehtiin HUSLABin virologian osastolle. Työssä testattiin QIAGENIN artus®HSV-1/2 LC PCR-reagenssipakkausta, joka on tehty käytettäväksi Roche diagnosticsin reaaliaikaisella PCR-laitteella LightCyclerillä. Lisäksi työssä testattiin automaattista bioMérieuxin NucliSens easyMAG- nukleiinihappoeristyslaitetta. Referenssinä käytettiin HUSLABin virologian osastolla testaushetkellä käytössä olevia menetelmiä. Reaaliaikaisen PCR-menetelmän herkkyyttä testattiin positiivisilla HSV-1 ja HSV-2 kontrollilaimennussarjoilla. Menetelmän oikeellisuutta testattiin määrittämällä laaduntarkkailu- ja potilasnäytteitä, jotka olivat likvoria. Tuloksia verrattiin QCMD:n antamiin ja perinteisellä ”in house”- PCR-menetelmällä saatuihin referenssituloksiin. Spesifisyyttä testattiin muiden ihmisten herpesvirusten positiivisilla kontrolleilla. Automaattisen nukleiinihappoeristysmenetelmän toimivuutta testattiin HSV-positiivisilla ja -negatiivisilla likvornäytteillä, jotka oli aikaisemmin eristetty fenoli-kloroformiuutolla. Tulokset QIAGENIN artus®HSV-1/2 LC PCR-reagenssipakkauksesta olivat hyviä. Kont-rollilaimennussarjan määrityksessä reaaliaikainen PCR-menetelmä osoittautui perinteistä ”in house”- PCR-menetelmää herkemmäksi. Potilasnäytteiden määrityksessä tulokset olivat yhtenevät. EasyMAG- nukleiinihappoeristysmenetelmällä eristettyjen potilasnäytteiden määrityksistä saadut tulokset olivat myös hyviä. Kun tuloksia verrattiin fenoli-kloroformiuutolla saatuihin tuloksiin, olivat tulokset yhtä näytettä lukuun ottamatta yhtenevät. Molemmat testattavat menetelmät ovat nopeita ja virhelähteiden mahdollisuus on vähäisempi kuin perinteisessä ”in house”-PCR menetelmässä ja fenoli-kloroformiuutolla nukleiinihappoa eristettäessä. Tutkimusten tulokset osoittivat molempien menetelmien soveltuvan hyvin HSV:n eristykseen ja määritykseen likvornäytteistä.

Boundary identification in the domain of a parabolic partial differential equation

Bakgrunden och inspirationen till föreliggande studie är tidigare forskning i tillämpningar på randidentifiering i metallindustrin. Effektiv randidentifiering möjliggör mindre säkerhetsmarginaler och längre serviceintervall för apparaturen i industriella högtemperaturprocesser, utan ökad risk för materielhaverier. I idealfallet vore en metod för randidentifiering baserad på uppföljning av någon indirekt variabel som kan mätas rutinmässigt eller till en ringa kostnad. En dylik variabel för smältugnar är temperaturen i olika positioner i väggen. Denna kan utnyttjas som insignal till en randidentifieringsmetod för att övervaka ugnens väggtjocklek. Vi ger en bakgrund och motivering till valet av den geometriskt endimensionella dynamiska modellen för randidentifiering, som diskuteras i arbetets senare del, framom en flerdimensionell geometrisk beskrivning. I de aktuella industriella tillämpningarna är dynamiken samt fördelarna med en enkel modellstruktur viktigare än exakt geometrisk beskrivning. Lösningsmetoder för den s.k. sidledes värmeledningsekvationen har många saker gemensamt med randidentifiering. Därför studerar vi egenskaper hos lösningarna till denna ekvation, inverkan av mätfel och något som brukar kallas förorening av mätbrus, regularisering och allmännare följder av icke-välställdheten hos sidledes värmeledningsekvationen. Vi studerar en uppsättning av tre olika metoder för randidentifiering, av vilka de två första är utvecklade från en strikt matematisk och den tredje från en mera tillämpad utgångspunkt. Metoderna har olika egenskaper med specifika fördelar och nackdelar. De rent matematiskt baserade metoderna karakteriseras av god noggrannhet och låg numerisk kostnad, dock till priset av låg flexibilitet i formuleringen av den modellbeskrivande partiella differentialekvationen. Den tredje, mera tillämpade, metoden kännetecknas av en sämre noggrannhet förorsakad av en högre grad av icke-välställdhet hos den mera flexibla modellen. För denna gjordes även en ansats till feluppskattning, som senare kunde observeras överensstämma med praktiska beräkningar med metoden. Studien kan anses vara en god startpunkt och matematisk bas för utveckling av industriella tillämpningar av randidentifiering, speciellt mot hantering av olinjära och diskontinuerliga materialegenskaper och plötsliga förändringar orsakade av “nedfallande” väggmaterial. Med de behandlade metoderna förefaller det möjligt att uppnå en robust, snabb och tillräckligt noggrann metod av begränsad komplexitet för randidentifiering.