Derivative-Free Decision-Focused Learning zur Plannung von Meersschutzgebieten

• Antragsteller: Professor Dr. Michael Römer; Professor Dr. Kevin Tierney
• Fachliche Zuordnung: Operations Management und BWL-spezifische Wirtschaftsinformatik ; Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 540478491

Decision-focused learning (DFL) ist ein Ansatz zur datengetriebenen Optimierung unter Unsicherheit, bei dem Machine Learning-Modelle gezielt so trainiert werden, dass ihr Einsatz in (deterministischen) Optimierungsmodellen zu möglichst guten Entscheidungen führt. Diese tiefe Integration von ML und Optimierung führt in der Regel zu wesentlich besseren Lösungen als der Einsatz von klassisch trainierten ML-Modellen (deren Loss-Funktion auf eine hohe Schätzgenauigkeit abzielt) zur Vorhersage von mit Unsicherheit behafteten Parametern in Optimierungsmodellen. Um eine entscheidungsorientierte Integration von ML und Optimierung zu erreichen, nutzen klassische DFL-Ansätze differenzierbare Reformulierungen der Optimierungsmodelle, die es ermöglichen, moderne, auf Backpropagation basierende Lernverfahren so anzuwenden, dass Informationen aus dem Optimierungsproblem direkt in das Training des ML-Modells einfließen. Der Nachteil dieses Vorgehens besteht darin, dass die differenzierbaren Ersatzmodelle das zugrunde liegende Optimierungsproblem oft nicht sehr gut abbilden, insbesondere im Fall von kombinatorischen Optimierungsproblemen. In diesem Projekt schlagen wir einen alternativen Ansatz vor, der die Forderung nach Differenzierbarkeit aufgibt: Derivative-free DFL (DF-DFL) integriert ML-Modelle in einen heuristischen Lösungsansatz, bei dem die Parameter der ML-Modelle und des Optimierungsverfahrens gemeinsam optimiert werden, um zu möglichst guten Entscheidungen gelangen. Aus praktischer Hinsicht hat unser Ansatz eine Reihe von attraktiven Eigenschaften: Erstens werden die oben beschriebenen Approximationsfehler, die durch die Formulierung differenzierbarer Ersatzmodelle entstehen, vermieden. Zweitens ermöglicht es unser Ansatz im Gegensatz zu klassischen DFL-Verfahren, unsicherere Parameter nicht nur in der Zielfunktion, sondern auch in den Restriktionen von Optimierungsmodellen zu berücksichtigen. Drittens hat unser Ansatz gegenüber anderen Verfahren zur Optimierung unter Unsicherheit wie z.B. der stochastischen Programmierung den Vorteil, dass nach dem Training lediglich ein deterministisches Optimierungsmodell gelöst werden muss, dessen Komplexität unabhängig von Anzahl der unsicheren Parameter des Optimierungsproblems ist. Die Motivation zur Entwicklung des DF-DFL-Ansatzes stammt aus einem hoch relevanten Anwendungsbereich: der Bildung von Vorschlägen für Meeresschutzgebiete. Für diese Art von ökologischer Schutzgebietsplanung werden in der Praxis auf deterministischer Optimierung basierende Entscheidungsunterstützungssysteme eingesetzt, die Parameterunsicherheit, z.B. in Bezug auf die räumliche Präsenz oder Abundanz bestimmter zu schützender Tierarten, nicht explizit berücksichtigen. Der DF-DFL-Ansatz ist für diesen Anwendungsfall sehr gut geeignet, da er direkt auf erprobte domänenspezifische Optimierungsmodelle aufbauen und zugleich unsichere Parameter in allen Bereichen dieser Modelle, insbesondere in den Restriktionen berücksichtigen kann.

• DFG-Verfahren: Sachbeihilfen