TY  - THES
AB  - Diese Dissertation befasst sich mit dem Lernen von Präferenzen und Auswahlen, basierend auf Erkenntnissen aus Verhaltensökonomie und Psychologie. Präferenzlernen ist zentral für zahlreiche Anwendungen wie Information Retrieval, Empfehlungssysteme und das Alignment von Sprachmodellen auf menschliche Präferenzen. Im Fokus steht das Choice-Setting, bei dem einer Person eine Menge von Objekten präsentiert wird, aus der sie ein bevorzugtes Teilset auswählt. Ziel ist, eine Funktion zu erlernen, die Mengen von Objekten auf gewählte Teilmengen abbildet und auch auf ungesehene Mengen verallgemeinern kann. Viele Modelle setzen voraus, dass jedes Objekt unabhängig bewertet wird, obwohl zahlreiche Experimente zeigen, dass der Kontext erheblichen Einfluss auf Entscheidungen von Probanden hat. Um kontextabhängige Choices abzubilden, verallgemeinern wir den Nutzenbegriff auf zwei komplementäre Arten. Der erste Ansatz nutzt Zerlegungsmethoden: FETA fasst Nutzen als Summe niedrigerer Teilnutzen zusammen, während FATE zunächst eine Repräsentation der Objektmenge berechnet und den Nutzen jedes Objekts im Kontext bewertet. Beide Verfahren sagen neue Entscheidungen voraus, indem sie Objekte auswählen, deren Nutzen einen bestimmten Schwellenwert übersteigt. Zudem erweitern wir das Konzept auf mehrdimensionale Nutzenfunktionen, was zu einer Choicefunktion führt, bei der Objekte auf der Pareto-Front identifiziert werden. So entfällt eine Schwellenwertanpassung. Wir analysieren Ausdrucksstärke und Identifizierbarkeit der Modelle, schlagen differenzierbare Lossfunktionen vor und entwerfen passende neuronale Netzwerkarchitekturen. Empirische Vergleiche zeigen, dass unsere Ansätze in Choice-Settings mit hohem Kontextbezug sehr überzeugende Leistungen erzielen.
AU  - Pfannschmidt, Karlson
CY  - Paderborn
DO  - 10.17619/UNIPB/1-2166
DP  - Universität Paderborn
LA  - eng
N1  - Tag der Verteidigung: 29.11.2024
N1  - Universität Paderborn, Dissertation, 2024
PB  - Veröffentlichungen der Universität
PY  - 2024
SP  - 1 Online-Ressource (xiii, 221 Seiten) Diagramme
T2  - Institut für Informatik
TI  - Representation and learning of context-dependent choice functions
UR  - https://nbn-resolving.org/urn:nbn:de:hbz:466:2-53772
Y2  - 2025-03-27T04:03:59
ER  -