Nach positiver Absolvierung der Lehrveranstaltung sind Studierende in der Lage:

• ... die Rolle von Präferenzen in Künstlicher Intelligenz einzuordnen.
• ... Präferenzdaten in Computersystemen zu repräsentieren.
• ... Präferenzen in ausgewählten Wissensrepresentationsformalismen zu integrieren.
• ... verschiedene Aggregationsmethoden anzuwenden und zu analysieren.
• ... wissenschaftliche Arbeitstechniken in einem forschungsnahen Projekt anzuwenden.

Preferences are ubiquitous. They determine our decisions, from simple everyday decisions (such as having tea or coffee, ordering another glass of beer) to much more fundamental decisions (such as accepting a job offer, getting married, political participation). Preferences also play a tremendous role in many applications, such as logic programming, multi-agent systems, diagnosis etc. Given this, it is far from surprising that various subfields of artificial intelligence (AI) have come up with models for representing preferences and for reasoning and decision making based on these models. Whereas classical decision theory is based on a numerical representation of preferences (utilities), more recently qualitative as well as mixed qualitative/quantitative models of preferences have been a major focus of research.

The course will present the most influential preference models developed in various subfields of AI. In particular, it will cover preferences in constraint reasoning, CP nets, preferences in nonmonotonic reasoning, and the role of preferences in belief change. Moreover, we will explore the challenges of joint decision making based on preferences, a central problem in multi-agent systems.

Die Lehrveranstaltung besteht aus zwei Teilen. Im Vorlesungsteil (6 Einheiten) werden die notwendigen Grundlagen und Methoden vorgestellt sowie eine Einführung in die aktuelle Forschung geboten. Die Vorlesungen werden über Zoom gehalten. Im zweiten Teil werden die Studierenden die Methoden und Konzepte im Rahmen von Projekten anwenden. Diese Projekte können entweder mit theoretischen Fragestellungen oder Implementierungsaufgaben bestehen. Im Zuge der Projekte wird ein Einblick in die aktuelle Wissenschaftsliteratur vermittelt und die Möglichkeit gegeben, an aktuellen Forschungsfragen mitzuarbeiten.

ECTS Aufteilung: 3 ECTS = 75 Stunden

Vorlesung 15h
Übungsblatt/Literaturrecherche 15h
Projekt 45h

ECTS Aufteilung: 3 ECTS = 75 Stunden

Vorlesung 15
Übungsblatt /Literaturrecherche 15h
Projekt 45h

1. Ausarbeitung eines Übungsblatts zum Vorlesungsteil
2. Abgabe eines Projekts

Die Lehrveranstaltung richtet sich an Master und Doktoratsstudierende mit einem Hintergrund in formaler Logik und Komplexitätstheorie. Grundlegende Kenntnisse in Wissensrepresentation und/oder Künstliche Intelligenz sind hilfreich (aber nicht zwingend notwendig)