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/
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/
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/
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/
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/
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.
Redaktion und Recherche: Rheia Martiny/