基于模拟博弈的通用性质学习所需的计算与数据需求
计算机科学与博弈论
2022-08-15 v1
摘要
经验博弈论分析（EGTA）主要关注学习基于模拟的博弈的均衡。近期方法通过学习的博弈效用的均匀近似，然后应用查准率-查全率定理来解决此问题：即真实博弈的所有均衡在估计博弈中均为近似均衡，反之亦然。本工作中，我们将此方法推广至所有行为良好的博弈性质（即效用中Lipschitz连续），包括遗憾（其定义纳什与相关均衡）、对抗值、幂均值与基尼社会福利。进一步，我们引入一种新算法——带剪枝的渐进采样（PSP）——用于学习均匀近似从而学习博弈的任何行为良好性质，其在对应参与人效用被良好估计后剪枝策略剖面，并依据先验未知的效用方差分析其数据与查询复杂度。我们广泛实验该算法，表明1）PSP节省的查询数高度敏感于效用方差分布，2）PSP一致优于理论上界，取得显著低于自然基线的查询复杂度。我们以实验作结，揭示了尽管近期统计EGTA方法（包括本文所发展者）取得进展，学习基于模拟博弈性质仍存的一些困难。
引用
@article{arxiv.2208.06400,
title = {Computational and Data Requirements for Learning Generic Properties of Simulation-Based Games},
author = {Cyrus Cousins and Bhaskar Mishra and Enrique Areyan Viqueira and Amy Greenwald},
journal= {arXiv preprint arXiv:2208.06400},
year = {2022}
}