Prädiktionsspiele: parallelisierbare, robuste Verfahren des maschinellen Lernens

• Antragsteller: Professor Dr. Tobias Scheffer
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung von 2010 bis 2019
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 173120778

Das Forschungsgebiet des maschinellen Lernens umfasst Problemstellungen, in deren Mittelpunkt die Modellbildung aus Daten und die Vorhersage zukünftigen Verhaltens der in den Daten reflektierten Systeme stehen. Ein Großteil der Ergebnisse des Gebietes basiert auf der Annahme, dass verfügbare Daten und zukünftiges Verhalten des Systems derselben Wahrscheinlichkeitsverteilung folgen. Diese Annahme stellt eine unangemessene Vereinfachung dar, wenn ein aktiver Gegner Einfluss auf das zukünftige Verhalten des Systems nehmen kann. Dies ist beispielsweise bei der Erkennung von Phishing-Angriffen und Kreditkartenbetrug der Fall. In diesem Fall wird die Modellbildung zu einem Spiel zwischen Lerner und Gegner. Die Spieltheorie modelliert Spiele als verschränkte Optimierungsprobleme, sie definiert Konzepte der Optimalität von Lösungen und liefert grundlegende Ergebnisse zur Existenz von Lösungen mit definierten Eigenschaften. Da datenabhängige Kostenfunktionen in der Spieltheorie keine besondere Aufmerksamkeit genießen, verbleiben viele offene Fragen. Ausgehend von spieltheoretischen Modellen, die verschiedene Formen der Interaktion zwischen Lerner und Gegner abbilden, zielt das Projekt auf die Analyse solcher Prädiktionsspiele. Insbesondere stellt sich die Frage nach der Existenz von Lernmechanismen, deren Modelle unter definierten Umständen optimale Lösungen von Prädiktionsspielen darstellen.

• DFG-Verfahren: Sachbeihilfen