MARC

 008260126s2025        us                              c    eng  d
■001000017357620
■00520260202103537
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798288866173
■035    ▼a(MiAaPQ)AAI32040601
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a310
■1001  ▼aLekeufack  Sopze,  Jordan.
■24510▼aOn  Safe  Sequential  Decision-Making  in  Adversarial  Environments
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a81  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-01,  Section:  B.
■500    ▼aAdvisor:  Jordan,  Michael  I.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2025.
■520    ▼aDecision-making  in  adversarial  environments  is  a  critical  challenge  across  various  domains  where  agents  must  navigate  uncertainty,  competition,  and  potentially  hostile  conditions.In  such  settings,  the  ability  to  predict  future  outcomes  plays  a  pivotal  role  in  guiding  decisions.  However,  predictions  are  rarely  perfect,  especially  in  adversarial  environments  where  opposing  forces  might  actively  seek  to  disrupt  or  exploit  weaknesses  in  an  agent's  strategy.  The  central  challenge  lies  in  ensuring  safety---defined  as  avoiding  catastrophic  outcomes---despite  the  inherent  imperfections  in  predictive  models.  This  thesis  addresses  this  dual  objective  of  leveraging  predictions  to  make  informed  decisions  while  simultaneously  guaranteeing  safety,  even  in  the  most  adverse  scenarios.  The  potential  applications  of  safe  sequential  decision-making  in  adversarial  environments  are  vast  and  span  multiple  domains.  For  instance,  in  robotics,  autonomous  agents  operating  in  dynamic  environments  must  avoid  collisions  or  irreversible  errors,  even  when  interacting  with  other  potentially  hostile  agents.  Similarly,  in  finance,  automated  trading  algorithms  must  operate  in  markets  that  are  impacted  by  unpredictable  events  and  the  actions  of  other  agents.  This  thesis  contributes  to  these  fields  by  developing  algorithms  for  sequential  decision-making  providing  theoretical  guarantees  for  computationally  efficient  and  practical  algorithms.Chapter  1  will  present  some  background  and  concepts  that  are  used  and  referred  to  in  the  thesis.  In  particular,  we  introduce  conformal  prediction  and  online  convex  optimization.Chapter  2  introduces  a  new  framework  called  Conformal  Decision  Theory.Drawing  inspiration  from  online  conformal  prediction  techniques,  our  approach  offers  a  remarkably  simple  but  powerful  mechanism  for  guaranteeing  long-term  safety  with  minimal  environmental  constraints,  contingent  only  on  the  existence  of  a  safe  decision.Chapter  3  provides  an  alternative  approach  that  leverages  the  pre-existing  online  convex  optimization  framework  with  adversarial  constraints,  and  shows  how  the  existing  guarantees  can  be  significantly  improved  when  using  predictions.  Importantly,  even  when  the  predictions  are  inaccurate,  our  approach  still  maintains  guarantees  that  are  on  par  with  existing  work.
■590    ▼aSchool  code:  0028.
■650  4▼aStatistics
■650  4▼aComputer  science
■653    ▼aConformal  prediction
■653    ▼aDecision-making
■653    ▼aOnline  convex  optimization
■653    ▼aOnline  learning
■690    ▼a0463
■690    ▼a0796
■690    ▼a0984
■71020▼aUniversity  of  California,  Berkeley▼bStatistics.
■7730  ▼tDissertations  Abstracts  International▼g87-01B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357620▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books