Generative Adversarial Equilibrium Solvers
Zusammenfassung
Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.
Kurz
Der bereitgestellte Bericht ist nur ein Abstract mit bibliografischen Angaben. Er stellt GAES vor, ein Verfahren, das Gleichgewichte in Pseudospielen und Arrow-Debreu-Wirtschaften aus Stichproben lernen soll, und nennt theoretische Komplexitätsschranken sowie drei Anwendungsfelder. Konkrete Ergebnisse oder Grenzen der Methode sind im Auszug nicht ausgeführt.
Mittel
Der bereitgestellte Bericht enthält nur den Abstract und bibliografische Angaben, nicht den vollständigen Beitrag. Darin stellen die Autorinnen und Autoren Generative Adversarial Equilibrium Solvers (GAES) vor: neuronale Netze, die Gleichgewichte aus Stichproben von Spielinstanzen lernen sollen. Behandelt werden verallgemeinerte Nash-Gleichgewichte in Pseudospielen, in denen Handlungen neben den Auszahlungen auch die zulässigen Handlungsmöglichkeiten anderer beeinflussen. Als Sonderfall nennen sie Wettbewerbsgleichgewichte in Arrow-Debreu-Wirtschaften.
Der Abstract beschreibt die Berechnung solcher Gleichgewichte als im schlimmsten Fall PPAD-schwer und argumentiert, dass praktische Anwendungen oft Genauigkeit im Erwartungswert über Problemfälle benötigen. Die Arbeit gebe Schranken für Rechenaufwand und Stichprobenkomplexität bei Lipschitz-stetigen, glatten Funktionsapproximationen in einer großen Klasse konkaver Pseudospiele an. Genannte Anwendungen sind Normalformspiele, Arrow-Debreu-Wirtschaften und ein umweltökonomisches Modell des Kyoto-Mechanismus. Konkrete Schranken, Resultate und Methodenlimits sind im Auszug nicht enthalten; die Leistung lässt sich daher daraus nicht bewerten. Der Beitrag ist ICLR 2024 zugeordnet.
Ausführlich lesen
Der bereitgestellte Bericht umfasst nur den Abstract sowie Angaben zu Autorinnen und Autoren und zum Publikationsort; der vollständige Beitrag liegt hier nicht vor. Der Abstract stellt Generative Adversarial Equilibrium Solvers (GAES) vor, ein Verfahren, das mithilfe generativer adversarialer neuronaler Netze Gleichgewichte aus Stichproben von Spielinstanzen lernen soll.
Im Mittelpunkt stehen verallgemeinerte Nash-Gleichgewichte (GNE) in sogenannten Pseudospielen. Diese erweitern gewöhnliche Spiele: Die Handlungen einer Person beeinflussen demnach nicht nur die Auszahlungen anderer, sondern auch deren jeweils zulässige Handlungsmöglichkeiten. Als besonderen Anwendungsfall nennen die Autorinnen und Autoren das Wettbewerbsgleichgewicht (CE) in Arrow-Debreu-Wirtschaften. Sie ordnen die Berechnung von GNE und CE als im schlimmsten Fall rechnerisch schwierig ein (PPAD-schwer) und begründen GAES mit Anwendungen, für die möglicherweise eine hohe Genauigkeit im Erwartungswert über eine Verteilung von Problemfällen genügt.
Laut Abstract leitet die Arbeit Schranken für Rechenaufwand und Stichprobenkomplexität her. Diese gelten für Lipschitz-stetige, glatte Funktionsapproximationen in einer großen Klasse konkaver Pseudospiele. Als Anwendungen werden das Finden von Nash-Gleichgewichten in Normalformspielen, von Wettbewerbsgleichgewichten in Arrow-Debreu-Wirtschaften sowie von GNE in einem umweltökonomischen Modell des Kyoto-Mechanismus aufgeführt.
Der Abstract nennt keine konkreten Zahlen zu den Schranken, keine Versuchsergebnisse und keine Einzelheiten zur Umsetzung oder zu den Grenzen der Methode. Daher lässt sich aus dem bereitgestellten Auszug nicht beurteilen, wie gut GAES in den genannten Anwendungen abschneidet. Der Beitrag ist für ICLR 2024 angegeben; als Autorinnen und Autoren werden Denizalp Goktas, David C. Parkes, Ian Gemp, Luke Marris, Georgios Piliouras, Romuald Elie, Guy Lever und Andrea Tacchetti genannt.
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Kein Modell sieht bei diesem Bericht einen Bezug zu einer der 44 Sammelfragen.