DeepHalo: Neuronales Modell für kontrollierbare Kontext‑Effekte

Die Modellierung menschlicher Entscheidungen ist entscheidend für Anwendungen wie Empfehlungssysteme, Präferenzlernen und die Ausrichtung von KI an menschlichen Werten.

Traditionelle Modelle gehen von kontextunabhängigem Wahlverhalten aus, doch umfangreiche Verhaltensstudien zeigen, dass die Zusammensetzung des Auswahlsets – das sogenannte Halo‑Effekt – die Präferenzen stark beeinflusst. Diese Effekte können als paarweise (erste Ordnung) oder sogar höher‑ordnige Interaktionen zwischen den verfügbaren Alternativen auftreten.

Aktuelle Ansätze, die solche Effekte einbeziehen, beschränken sich entweder auf featurelose Szenarien oder nutzen restriktive Interaktionsstrukturen, die die Interpretierbarkeit einschränken.

DeepHalo ist ein neuronales Modell, das Merkmale integriert und gleichzeitig die Interaktionsordnung explizit steuert. Dadurch lassen sich Kontext‑Effekte systematisch nach ihrer Ordnung identifizieren und interpretieren.

Das Modell fungiert als universeller Approximationstool für kontextabhängige Wahlfunktionen, insbesondere wenn es auf featurelose Einstellungen spezialisiert wird.

Experimentelle Tests an synthetischen und realen Datensätzen zeigen nicht nur eine starke Vorhersagekraft, sondern auch eine höhere Transparenz hinsichtlich der treibenden Faktoren hinter den Entscheidungen.