Mar, 2024

多智能体学习系统的数学：博弈论与人工智能交叉界面

PDF
TL;DR进化博弈论和人工智能两个领域虽然乍看起来不同，但它们具有显著的联系和交叉点。本文旨在通过交叉思想促进多智能体学习系统的数学进展，特别是在 “集体合作智能” 领域，以连接进化动力学和多智能体强化学习。
evolutionary game theoryartificial intelligencebehaviorsmachine learning algorithmsmulti-agent environments
发现论文，激发创造
  • 多智能体系统中的演化博弈理论对新兴行为的理解

    本文通过进化博弈理论和基于代理的建模和仿真技术，对在多智能体系统中通过多个交互者的存在和互动的多种行为策略下涌现和演变的集体行为机制的主要研究方向和挑战进行了总结，包括将认知和情感机制引入智能体的实现、在复杂网络中促进亲社会行为的成本效益干预、AI 安全发展生态的监管和治理以及随机演化多人游戏的平衡分析。总之，本文描述了该小组视图或优先考虑的 MAS 研究中的重要开放问题。

    May, 2022

  • 利用基于代理的方法的进化博弈论

    这篇论文研究了进化博弈论的数学模型，探讨了在非简单情景下（如有限人口、不消失的突变率、随机决策、沟通等）运用基于个体的方法进行仿真的必要性，并总结了数学模型和计算仿真方法的优缺点。

    Apr, 2014

  • 进化博弈论：进化与集体行为的数学

    本文讨论了进化博弈理论作为一种强大而统一的数学工具，用于研究集体行为的演化，总结了作者最近通过进化博弈理论方法所涉及的一些研究方向，包括：i）随机进化博弈中（稳定）均衡数量的统计性质分析，以及 ii）在技术发展竞赛中建模安全行为的演化及先进人工智能技术带来的风险。最后，对未来研究者提出了展望和一些建议。

    Nov, 2023

  • 在多智能体环境中开发、评估和扩展学习智能体

    DeepMind 的 “博弈论与多智能体团队” 研究了多智能体学习的多个方面，旨在使用深度强化学习探索复杂环境下的多智能体系统，并使用这些基准来推进我们的理解；本文总结了他们最近的工作并提出了一项分类，突显了多智能体研究中许多重要的开放性挑战。

    Sep, 2022

  • 进化机器学习与游戏

    进化机器学习已被应用于游戏的多个方面和不同目的。AI 在游戏中的研究不仅关乎玩游戏，还包括生成游戏内容、模拟玩家等多个应用，其中许多应用对于进化机器学习提出了有趣的问题。本章将根据进化是用于增强机器学习还是机器学习用于增强进化来结构化地讨论游戏中的进化机器学习。为了完整起见，我们还简要讨论了机器学习和进化在游戏中的分开使用。

    Nov, 2023

  • 进化博弈理论平方：自发演化的零和博弈中的进化代理

    本文研究了一类竞争场景，其中代理和它们玩的游戏都在时间上演化。该系统中的信息论保存定律、泊松回归和 Nash 均衡特征表明，尽管代理和游戏共同演化，但其结果仍然遵循一定的规律。同时，针对这种共同演化的网络游戏提出了预测代理行为的多项式时间算法。

    Dec, 2020

  • 人类对适应性机器的适应趋于博弈论均衡

    本文通过运用机器学习算法与博弈论的框架， 利用多个均衡状态来调节和预测智能人和机器之间的协同适应交互， 并发现某些算法可有效地控制人的行为，从而引导人机交互达到机器的最优状态。

    May, 2023

  • 使用机器学习和专家系统技术构建的自适应多领域人工智能系统的开发

    通过结合经典人工智能技术 —— 专家系统与现代适应性梯度下降训练的专家系统（GDTES），利用生成式人工智能（GAI）创建网络和训练数据集的机制，本研究提出了一种人工智能的学习和发展推理路径以在先验未知领域做决策的方法，并展示了朝着产生人工通用智能（AGI）的目标迈出的小步骤。

    Jun, 2024

  • 关于多智体互动的微分博弈、最优控制和能量模型之间的关联

    该研究论文提出了一种基于能量的潜在博弈模型，通过整合神经网络和可微分博弈论优化层，应用于机器人交互中，显示了改进神经网络预测性能的实证结果。

    Aug, 2023

  • 学习与进化：影响有效结合的因素

    这篇论文通过一系列实证研究探讨结合学习和进化是否比单独使用进化更好，结果表明引入噪声可以改善此过程。

    Jun, 2023