Muandet

Durch unsere Forschung möchten wir ein Verständnis der Prinzipien erlangen, die es autonomen Agenten ermöglichen, effizient aus früheren Erfahrungen zu lernen und erfolgreich mit komplexen Umgebungen zu interagieren. Dieses Verständnis möchten wir für die Entwicklung neuer Lernalgorithmen nutzen. Unsere Forschung erstreckt sich auf die folgenden Themen: 1) Vorhersage: Wie können wir Algorithmen für maschinelles Lernen (ML) entwerfen, die robust gegenüber Verteilungsänderungen sind? Wir beschäftigen uns mit Domain Adaption (DA), Domain Generalization (DG), Out-Of-Distribution (OOD) Generalization und Robustheit. Wir verwenden Kernel-Methoden, insbesondere die Kernel-Mittelwert-Einbettung von Verteilungen, als mathematisches Arsenal zur Bewältigung dieser Probleme. 2) Kausalität: Wie können wir kausale Zusammenhänge zur Verbesserung von ML-Modellen nutzen, und wie können wir umgekehrt ausgefeilte ML-Methoden für kausale Schlussfolgerungen in komplexen Umgebungen einsetzen? Wir beschäftigen uns mit unbeobachteten Störfaktoren bei der kausalen Inferenz, Scheinkorrelation beim maschinellen Lernen, verteilungsbezogene Behandlungseffekte, kontrafaktische Inferenz und algorithmische Entscheidungsfindung. Moderne quasi-experimentelle Designs wie Instrumentalvariablen (IV), Proxy-Variablen und Regression Discontinuity Design (RDD) bieten Werkzeuge, um diese Probleme anzugehen. 3) Regulierung: Wie regulieren wir den Einsatz von ML-Modellen in einer heterogenen Welt, um generalisierbare, gerechte, vertrauenswürdige und demokratische KI zu gewährleisten? Und wie verändern neue Herausforderungen wie Rückkopplungsschleifen, strategische Manipulationen und feindliche Angriffe grundlegend die Art und Weise, wie ML-Modelle trainiert werden sollten? Um ein besseres Verständnis dieser Probleme zu erlangen, wenden wir Techniken aus der algorithmischen Spieltheorie, dem Mechanismusdesign, der Sozialwahltheorie und anderen verwandten Teilgebieten der Wirtschaftswissenschaften an. Unsere Gruppe hat auch eine externe Website: group.krikamol.org .