Neural Population Learning beyond Symmetric Zero-Sum Games
Zusammenfassung
Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.
Kurz
Der bereitgestellte Bericht ist ein Abstract-Auszug zu NeuPL-JPSRO, einem Populationslernverfahren für Mehrpersonenspiele mit allgemeinen Auszahlungen. Die Autorinnen und Autoren berichten über Konvergenz zu einem CCE in mehreren OpenSpiel-Spielen sowie Anwendungen für adaptive Koordination und Fähigkeitsübertragung; Versuchsdetails und Messwerte enthält der Auszug nicht.
Mittel
Der bereitgestellte Bericht ist ein Auszug mit Abstract und bibliografischen Angaben. Er beschreibt NeuPL-JPSRO, eine Erweiterung von Neural Population Learning für Spiele mit mindestens drei Beteiligten und allgemeinen Auszahlungen, die laut den Autorinnen und Autoren die Konvergenzgarantien von JPSRO nutzt.
In mehreren OpenSpiel-Spielen habe der Ansatz ein Coarse Correlated Equilibrium erreicht; analytische Spielsolver hätten die Konvergenz überprüft. Die Autorinnen und Autoren berichten außerdem von Anwendungen in komplexeren Bereichen, in denen JPSRO mit unabhängigem Reinforcement Learning rechnerisch unpraktikabel werde. NeuPL-JPSRO ermögliche dort nach ihrer Darstellung adaptive Koordination mit Mitspielenden und den Transfer von Fähigkeiten auf größere Spiele.
Als Schlussfolgerung nennen sie skalierbares, auf unterschiedliche Spiele anwendbares gleichgewichtskonvergentes Populationslernen und sehen darin Potenzial für Spiele mit heterogenen Beteiligten und gemischten Interessen. Der Auszug enthält jedoch keine Details zum Versuchsaufbau, konkrete Messwerte oder Bedingungen der Ergebnisse.
Ausführlich lesen
Der bereitgestellte Bericht ist ein Auszug: Er enthält das Abstract sowie Angaben zu Autorinnen und Autoren und zum Veröffentlichungsort, aber keine ausführliche Darstellung der Methode oder der Experimente. Thema ist Neural Population Learning (NeuPL), ein Ansatz, der verschiedene Strategien in Spielen über ein gemeinsames bedingtes neuronales Netz abbildet. Die Autorinnen und Autoren stellen NeuPL-JPSRO vor, eine Erweiterung für Spiele mit mindestens drei Beteiligten und allgemeinen Auszahlungen. Der Ansatz soll die Konvergenzgarantien von Joint Policy-Space Response Oracle (JPSRO) nutzen.
Laut Abstract zeigen Experimente in mehreren OpenSpiel-Spielen, dass NeuPL-JPSRO zu einem Coarse Correlated Equilibrium (CCE) konvergiert; analytische Spielsolver hätten dies überprüft. Außerdem berichten die Autorinnen und Autoren, NeuPL-JPSRO auf komplexere Bereiche angewandt zu haben, in denen JPSRO mit unabhängigem Reinforcement Learning rechnerisch unpraktikabel werde. Als mögliche Fähigkeiten nennen sie die anpassungsfähige Koordination mit Mitspielenden und den Transfer erlernter Fähigkeiten auf größere Spiele.
Die Autorinnen und Autoren folgern, dass sich gleichgewichtskonvergentes Lernen von Populationen skalierbar und auf verschiedene Spiele verallgemeinert umsetzen lasse. Sie sehen darin einen Schritt hin zur Lösung realitätsnaher Spiele zwischen unterschiedlichen Beteiligten mit teils gegensätzlichen Interessen. Da nur das Abstract vorliegt, bleiben konkrete Spielaufgaben, Versuchsaufbau, Messwerte und nähere Bedingungen der berichteten Ergebnisse offen.
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Agenten und vernetzte Systeme
- SF-A3 Welche Gefahren entstehen, wenn viele KI-Systeme zusammenwirken oder dieselbe Infrastruktur teilen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 36 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug