Nov, 2023

解析协同感官游戏中的 epsilon 分数核心稳定性

HTML
PDF
TL;DRHedonic Games are modeled for coalition formation with core-stability using the concept of ε-fractional core-stability, where at most ε-fraction of all possible coalitions is allowed to core-block, and efficient algorithms are designed to find an ε-fractional core-stable partition for Simple Fractional and Anonymous classes of Hedonic Games.
发现论文，激发创造
  • 合作博弈中的稳定性代价

    本文研究了如何通过外部支付来稳定联盟博弈，定义了稳定的最小成本，并以加权投票游戏为例进行了算法分析和探讨。

    Jul, 2009

  • 网络零和博弈中的多智能体学习是哈密顿系统

    研究了多智能体系统和哈密顿动力学之间的联系，无论网络结构、复杂性以及使用的算法，都可以将零和网络博弈中的收敛动态映射到哈密顿动力学中。此外，该方法可以将在线优化，凸分析，博弈论和物理学之间的结果和方法进行互相转化。

    Mar, 2019

  • 一般和博弈中的斯塔克伯格均衡的高效学习

    在嘈杂的赌徒反馈环境中，理论研究了 Stackelberg 均衡的样本有效学习，识别了 Stackelberg 均衡真实值与使用有限噪声样本估计版本之间的基本差距，并建立了与其相匹配的下限。

    Feb, 2021

  • 去中心化一般和马尔可夫博弈中具有可证明效率的强化学习

    本文提出了一种多智能体强化学习算法，可以在一般和马尔可夫博弈中学习到一个粗略的相关均衡策略，并且算法是完全分散的，智能体只有本地信息，并不知道其他智能体的存在。

    Oct, 2021

  • 对称团队学习中，局部最优解是全局 Nash 均衡

    对于对称策略空间中的本地最优对称策略，该研究证明任何局部最优对称策略都是（全局）纳什均衡，这个结果适用于机器学习，并为找到对称策略空间中的局部最优的梯度方法提供全局性保证，最后，总结了研究结果在多智能体RL，合作逆RL和分散式 POMDPs中的应用。

    Jul, 2022

  • PAC学习和稳定Hedonic Games：走向统一方法

    探究Hedonic Games的PAC可学习性和PAC稳定性，并提供不同类别的学习/稳定性结果，特别是在全表达形式下的Hedonic Coalition Nets表述中，我们识别了两组条件并针对特定Hedonic Games类别阐明了推动学习/稳定性的结构属性。

    Jan, 2023

  • 在树状图上最大化分数幸福游戏的功利主义和平等主义福利

    该论文提出了在树状图上计算最大福利分配的（伪）多项式时间算法，研究了分数喜好博弈在联盟形成游戏中的应用和关联，并说明了其求解的困难性和特定图类上的可行性。

    Oct, 2023

  • 具有单一控制器的多人马尔可夫博弈中的乐观策略梯度：超越Minty属性的收敛

    在这篇论文中，我们提出了一个新的框架来描述多人Markov游戏中的乐观策略梯度方法，在单个控制器下收敛到稳定的ε-NE，其收敛速度为O(1/ε^2)次迭代，该框架基于对经典Minty性质的自然推广，我们相信它在Markov游戏之外也有进一步的应用。

    Dec, 2023

  • 在不完全合作博弈中降低乐观偏差

    合作博弈理论在当代人工智能中有各种应用，包括可解释的机器学习、资源分配和协同决策。本文提出了一个旨在优化展示联盟价值序列的框架，以有效缩小合作博弈中玩家期望与实际结果之间的差距。通过研究玩家对缺失联盟价值的乐观补全及其产生的差距的分析特性，我们开发了在线和离线方法来最小化这一差距，并在实际场景中对算法的性能进行了实证研究并调查了展示联盟价值的典型顺序。

    Feb, 2024

  • 学习严格凸形随机合作博弈的预期核心

    在本文中，我们考虑了随机合作博弈的稳定分配学习问题，在这个问题中，奖励函数被描述为具有未知分布的随机变量。我们提出了一个名为“Common-Points-Picking”的算法，它在多项式数量的样本下，以很高的概率返回一个稳定的分配。我们的算法分析涉及了凸几何学中的一些新结果，包括多个凸集合分离超平面定理的扩展，可能具有独立的研究价值。

    Feb, 2024