Feb, 2021

多智能体影响图的均衡优化：理论与实践

PDF
TL;DR本文介绍了多智能体影响图的基础概念，引入了子博弈的概念和博弈均衡。同时，证明了多智能体影响图和全局博弈图之间的等价性，并描述了一种开源的实现方法。
multi-agent influence diagramsgraphical modelequilibrium refinementsefgsopen source implementation
发现论文，激发创造
  • 多智能体影响图中的不完美回忆

    介绍了一种新的多智能体影响图 (MAIDs) 模型的方法，该方法使用混合策略和两种类型的相关均衡来解决遗忘和心不在焉的多智能体的 Nash 均衡问题，并分析了该模型中的主要决策问题的计算复杂性和可追溯情况。

    Jul, 2023

  • 一种用于结构化博弈中纳什均衡的连续化方法

    本文提出了一种高效的算法来计算包括图形游戏和多智体影响图在内的结构化博弈表示中的纳什均衡，并演示了该算法的强大性能。

    Sep, 2011

  • 影响力网络图：代理人信念和决策过程的表达形式

    本文提出了一种名为影响网络图的紧凑、自然和高度表现力推理语言，用于推理代理人的信念和决策过程，通过实例展示 NIDs 可以用于描述冲突和循环信念结构以及某些形式的有限理性。

    Jan, 2014

  • 一种基于采样的方法计算简明形式下的博弈均衡

    通过采样策略和马尔科夫蒙特卡罗方法，提出了一种基于多项式更新算法的广义博弈相关均衡计算方法，用于在多智能体系统中更高效的计算关于社会福利的均衡。

    May, 2012

  • 多智能体强化学习的可证明高效信息导向采样算法

    该研究设计和分析了一组基于信息导向采样（IDS）原则的新型多智能体强化学习（MARL）算法，这些算法受到信息论基础概念的启发，在两人零和马尔可夫博弈和多人一般和博弈等 MARL 环境中被证明具有高样本效率。

    Apr, 2024

  • 利用模型等价性求解交互动态影响图

    本文围绕多智能体设计的交互式动态影响图模型进行讨论，提出了两种模型空间压缩方法：行为模式等效聚合和聚合行动等效模型，以提高问题求解效率。

    Jan, 2014

  • 博弈论图形模型

    本研究介绍了多人博弈图模型和 Nash 平衡的计算算法，特别是在树形图的情况下，我们提出了高效的局部消息传递算法，它只涉及到与相邻节点的交互以及相对较少的全局交互，从而使得该算法可以被分布式实施。

    Jan, 2013

  • 使用深度强化学习分析具有多个代理的微观基础一般均衡模型

    使用深度多智能体强化学习算法来在微观基础下找到动态一般均衡模型中的元均衡状态，避免了理论或计算方法上的挑战，实现了稳定的、现实时间内的均衡计算，显示了硬件加速多智能体强化学习在经济建模上的前景。

    Jan, 2022

  • 离散时间主次均值场博弈的学习

    利用基于 M3FG（major-minor MFGs）的学习算法，我们提出了一种新的离散时间版本的 M3FG，能够解决具有强影响力的主要玩家的问题，并在三个实例问题中验证了该理论结果的实际效果，从而为一类广泛可解的博弈问题建立了学习框架。

    Dec, 2023

  • 高效的样本有效的多智能体强化学习：优化视角

    我们研究了多智能体强化学习 (MARL) 在一般和马尔可夫博弈 (MG) 下具有一般函数逼近的情况。通过引入一种新颖的复杂度度量，即多智能体解耦系数 (MADC)，我们旨在找到基于样本高效学习的最小假设。利用该度量，我们提出了首个统一的算法框架，可以在低 MADC 的情况下保证在模型为基础和模型无关的 MARL 问题中学习纳什均衡、粗粒度相关均衡和相关均衡的样本效率性。此外，我们还展示了与现有工作相比，我们的算法提供了可比较的次线性遗憾。此外，我们的算法结合了一个均衡求解器和一个单一目标优化次程序，用于求解每个确定性联合策略的正则化收益，从而避免在数据相关的约束条件下求解约束优化问题 (Jin et al. 2020; Wang et al. 2023)，或在复杂的多目标优化问题 (Foster et al. 2023) 中执行抽样过程，因此更适合于实证实现。

    Oct, 2023