KI und die schwierigen Probleme der Welt · Theoretische Informatik · arXiv · 2026-10-22
Reinforcement Learning für die Global-Local-Regelung dynamischer Netzwerke mit Anwendungen auf systemisches Risiko
Originaltitel: Reinforcement Learning for Global-Local Control of Dynamic Networks with Applications to Systemic Risk
Die Autoren schlagen ein Reinforcement-Learning-Framework für Regelungsprobleme auf dynamischen Netzwerken vor, bei dem Entscheidungen globale Aktionen auf Graph-Ebene mit lokalen Aktionen auf Knoten-Ebene kombinieren. Ein neuronales Netz mit Message Passing und getrennten globalen und lokalen Policy-Köpfen liefert Policies, die Permutationssymmetrien und Transparenzbedingungen erfüllen, und explizite Lipschitz-Schranken bieten Konvergenzgarantien für einen projizierten Policy-Gradient-Algorithmus. Angewandt auf systemisches Risikomanagement in Finanznetzwerken, bei dem eine Regulierungsbehörde Kapitalinterventionen auf Institutionen verteilt, übertrifft die Architektur gängige Feedforward-Baselines und skaliert auf große Netzwerke.