Feb, 2024

在不完全合作博弈中降低乐观偏差

PDF
TL;DR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。
发现论文，激发创造
  • 合作可靠性游戏的解决方案

    本文提出了合作博弈的可靠性扩展方案，研究了 Shapley 值的近似计算和少量代理类型博弈中核的计算方式。结果表明，通过应用可靠扩展，可以使博弈稳定，即使基础博弈的核为空，扩展后也能得到非空的核。

    Feb, 2012

  • 具有重叠联盟的合作博弈

    本研究介绍了一种带有交叠联盟的合作博弈模型，并探讨了其稳定性、核心和可扩展性等基本特征，同时扩展了凸性的概念和稳定性的定义。

    Jan, 2014

  • 神经收益机器：预测团队成员间公平和稳定的收益分配

    本文提出了一种使用神经网络模型来学习协作博弈解决方案，以促进公平合作分配的方法，特别是 Shapley value 在 Explainable AI 中的应用。

    Aug, 2022

  • 学习合作游戏

    探索了在合作博弈中的 PAC（可能近似正确）学习模型，研究了几种合作博弈的 PAC 可学习性以及 PAC 可学习性与核稳定之间的联系，如网络流游戏，阈值任务游戏和诱导子图游戏。通过多项式样本数，可以找到可能稳定的收益分配。

    Apr, 2015

  • 零样本协同合作开放式学习框架

    本文提出了 Cooperative Open-ended LEarning (COLE) 框架，通过图形论的角度构建协作游戏的开放式目标，评估和确定每种策略的协作能力，进而解决合作不兼容的问题，并且实验证明该方法在与不同级别伙伴协调时优于现有的最先进方法。

    Feb, 2023

  • 合作人工智能的广义信念

    本研究提出了一种基于信念空间的策略学习模型，可以在测试时间解码和适应新颖的规约，从而显著提高各种策略池中的特定反应的搜索和训练，同时增强智能体规约的可解释性和可解释性。

    Jun, 2022

  • 解决协作不兼容问题实现零射击的人工智能协调

    通过采用博弈论和图论等技术，本文提出了 COLE 框架，用于解决协作不匹配问题，并在在线 Overcooked 人工智能实验平台中验证其有效性，结果表明其优于现有方法。

    Jun, 2023

  • 最佳优化社交环境中的合作学习

    协作学习中，网络代理以自己拥有的分类器通过交流或观察其他代理的预测进行动态更新，研究了在此情景中如何优化预测以提高整个网络的准确性，并提出了多项式时间算法和近似算法来实现优化的目标。

    May, 2024

  • 最优合作推理

    本文提出一种正式的框架，介绍了衡量概率和合作信息传递有效性的新指标，证明了能够实现最佳合作推理的条件，并展示了这些原则如何指导机器学习算法的设计以及对人类和机器学习的影响。

    May, 2017

  • 通过策略搜索学习合作

    本文提出了一种基于梯度的分布式策略搜索方法，用于合作博弈中的部分可观测环境，比较了本地最优和纳什均衡的概念，实验结果表明该方法的有效性。

    Aug, 2014