Doktorand*innen der WIM

Thema: Optimierung auf zufälligen Funktionen als Modell für Optimierung in Machine Learning
Darum geht’s: Machine Learning sucht nach dem am besten zu bestehenden Daten passenden Modell. Um dieses hochdimensionale Optimierungs­problem besser zu verstehen, unter­suche ich das Verhalten von Optimierungs­algorithmen auf zufälligen Funktionen.

Thema/Titel: Cartel Law Compliant AI
Darum geht’s: Onlineshops benutzen heutzutage zu großen Teilen Preis-KIs zur Preissetzung. In meiner Dissertation beantworte ich die Fragen: Können diese KIs Kartelle bilden? Wie erkennen wir das und können das verhindern?

Thema/Titel: Equilibrium seeking from the lens of dynamical systems theory
Darum geht’s: Unser Ziel ist es, numerische Techniken für hierarchische Optimierungs­probleme und Spiele weiterzuentwickeln. Als Motivation hierfür dienen herausfordernde Probleme in der Optimierungen von Energie­systemen und die mathematische Bildverarbeitung.

Thema/Titel: Evaluating AI-based Policies with Social Simulation
Darum geht’s: Künstliche Intelligenz findet auch im öffentlichen Raum vermehrt Anwendung – etwa für Smart City-Konzepte. Ich unter­suche mithilfe von Simulationen, welche (möglicherweise unbeabsichtigten) Effekte diese Entwicklung hat.

Thema/Titel: Stochastische Prozesse und Reinforcement Learning
Darum geht’s: Mit Reinforcement Learning Algorithmen werden Künstliche Intelligenzen wie ChatGPT trainiert. In meiner Dissertation unter­suche ich RL-Algorithmen auf Konvergenz, um theoretische Garantien für die Anwendung zu gewährleisten.

Thema/Titel: Methods of causal discovery in AI
Darum geht’s: Kausale Graphen erlauben es uns, Verbindungen zwischen Variablen zu modellieren und zu quanti­fizieren. Dadurch kann man Fragen wie „Was müsste man ändern, damit eine Person eine andere Vorhersage erhält?“ beantworten. Ich erforsche, wie man diese Graphen erstellen und Er­kenntnisse aus ihnen gewinnen kann.