Population-based Evaluation in Repeated Rock-Paper-Scissors as a Benchmark for Multiagent Reinforcement Learning
Zusammenfassung
Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.
Kurz
Der bereitgestellte Text ist nur ein Abstract-Auszug: Er stellt einen Benchmark für wiederholtes Schere-Stein-Papier mit 43 Strategien und Bewertungsmaßstäben für Ertrag und Ausnutzbarkeit vor. Laut Abstract lernen mehrere Verfahren gute Gegenstrategien, verlieren aber gegen die stärksten Bots; nähere Versuchsdaten enthält der Auszug nicht.
Mittel
Der bereitgestellte Text ist nur ein Auszug mit Abstract sowie Angaben zu Autorenschaft und Veröffentlichungsort; der vollständige Bericht liegt nicht vor. Vorgeschlagen wird wiederholtes Schere-Stein-Papier als Benchmark für Multiagenten-Lernen, mit 43 Turnierteilnehmenden, darunter absichtlich nicht optimale Strategien. Zur Bewertung sollen sowohl durchschnittliche Erträge als auch die Ausnutzbarkeit von Agenten herangezogen werden.
Laut Abstract können mehrere neuere Verfahren des bestärkenden Lernens und Online-Lernens gute Gegenstrategien entwickeln und verallgemeinern. Dennoch verlieren sie letztlich gegen die stärksten Bots der Population. Die Autorinnen und Autoren sehen darin eine Gelegenheit für weitere Forschung. Der Auszug liefert keine Details zu den einzelnen Kennzahlen, Versuchsbedingungen oder Resultaten und erlaubt daher keine nähere Prüfung dieser Aussagen. Als Veröffentlichungsort ist TMLR genannt.
Ausführlich lesen
Der bereitgestellte Text ist nur ein Auszug: Er enthält den Abstract sowie Angaben zu Autorinnen und Autoren und zum Veröffentlichungsort, nicht den vollständigen Bericht. Aussagen über Methoden und Ergebnisse lassen sich daher nur so wiedergeben, wie sie im Abstract beschrieben sind.
Die Autorinnen und Autoren schlagen wiederholtes Schere-Stein-Papier als Benchmark für Multiagenten-Lernen vor. Dazu gehört eine Population aus 43 Turnierteilnehmenden, darunter laut Abstract auch absichtlich nicht optimale Strategien. Der Benchmark soll die Bewertung von Agenten über einzelne Spiele gegen Expertinnen oder Experten hinaus ermöglichen.
Zur Bewertung beschreiben die Autorinnen und Autoren Kennzahlen, die sowohl durchschnittliche Erträge als auch die Ausnutzbarkeit einer Strategie berücksichtigen. Der Abstract berichtet, dass mehrere neuere Ansätze aus dem bestärkenden Lernen und dem Online-Lernen gute Gegenstrategien erlernen und auf neue Situationen verallgemeinern können. Zugleich verlieren diese Ansätze letztlich gegen die leistungsstärksten Bots der Population. Die Autorinnen und Autoren sehen darin weiteren Forschungsbedarf im Multiagenten-Lernen.
Der Auszug nennt keine Einzelheiten zu den konkreten Kennzahlen, Versuchsbedingungen oder Resultaten der einzelnen Verfahren. Er belegt daher nur die zusammengefassten Aussagen des Abstracts, nicht deren ausführliche Herleitung. Der Beitrag wird dem Transactions on Machine Learning Research (TMLR) zugeordnet.
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Fähigkeiten messen
- SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 42 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Unabhängig prüfen
- SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 40 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Tempo und Grenzen
- SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 50 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 42 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
Vertrauen in Modelle
- SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
- clef 100 %kein Bezug
- Luna 36 %gleiches Oberthema, hilft nicht
- JEV
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV
- amos 44 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
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 40 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug