Risiko-sensitive Entscheidungsprozesse unter unvollständiger Information

• Antragsteller: Professor Dr. Klaus Obermayer
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung von 2017 bis 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 339441241

Entscheidungen im täglichen Leben müssen oftmals unter unvollständiger Information getroffen werden und sind deswegen mit einem Risiko behaftet. Eine Feuerwehrfrau in einem brennenden und verrauchten Haus zum Beispiel ist sich nicht sicher, ob sie einen verletzten Menschen entdeckt hat und wie gefährlich gegebenenfalls eine Rettungsoperation sein würde. Prinzipiell gibt es zwei Ursachen von Risiken bei Entscheidungsprozessen: (1) Unvollständige Informationen über den Zustand der Welt und (2) Unsicherheiten bzgl. des Ausgangs von Entscheidungen und weiterer zukünftiger Ereignisse. Wir nennen diese Risiken nach ihren Ursachen perzeptuelle bzw. ökonomische Risiken. Beide Risiken müssen bei Entscheidungen unter Unsicherheit berücksichtigt werden.Risikobehaftete Entscheidungsprozesse wurden in der Vergangenheit in den unterschiedlichsten Disziplinen untersucht, die von Ökonomie, maschinellem Lernen, Regelungstechnik, Operations Research, Psychologie, bis hin zu den Kognitionswissenschaften reichen. In allen diesen Gebieten werden beide Klassen von Risiko jedoch meist unabhängig voneinander im Rahmen unterschiedlicher Forschungsfragestellungen untersucht. Ziel des beantragten Projektes ist es deswegen, eine einheitlichen mathematisch-computationale Theorie für sequenzielle Entscheidungsprozesse unter perzeptueller und ökonomischer Unsicherheit zu entwickeln und daraus effiziente Algorithmen abzuleiten, um optimale risikosensitive Strategien finden zu können. Das Projekt hat eine wesentliche mathematisch-theoretische Komponente und zielt in seinem Kern auf eine Erweiterung von Risiko-sensitivem belohnungsabhängigem Lernen auf partiell beobachtbare Markovsche Entscheidungsprozesse (POMDP) ab. Dies ist in voller Allgemeinheit bisher nicht geschehen.Die Ergebnisse der theoretischen Untersuchungen, insbesondere die Anwendbarkeit der abgeleiteten Verfahren des Risiko-sensitiven belohnungsabhängigen Lernens auf POMDPs, werden sowohl auf künstlichen Daten, als für ökonomische Entscheidungsprozesse unter perzeptueller Unsicherheit am Beispiel des Aktienhandels evaluiert.

• DFG-Verfahren: Sachbeihilfen
• Mitverantwortlich: Dr. Yun Shen