不可预测随机化下的游戏论与仿真
计算机科学与博弈论
2025-02-10 v2 人工智能
摘要
AI代理在某些方面会比传统代理更具可预测性。我们可以在何处利用这种可预测性以提高社会福祉？我们在游戏论环境中研究了这一问题，其中一个代理可支付固定费用来模拟另一个代理以学习其混合策略。作为负结果，我们证明了与纯策略仿真的先前工作不同，启用混合策略仿真在所有被称为“广义信任游戏”的情形中都不会导致两位玩家的收益双双提高。事实上，在模拟者的动作可以依赖于被模拟者动作的游戏中，混合策略仿真并无帮助。我们还指出，一般情况下，决定仿真是否引入Pareto改进的纳什均衡是一个NP难题。作为正结果，我们证明，如果模拟者可以选择其信任水平的比例缩放，或者如果玩家面临信任和协调的双重挑战，或者如果维持一定程度的隐私对于实现合作至关重要，那么混合策略仿真可以提高社会福祉。
引用
@article{arxiv.2410.14311,
title = {Game Theory with Simulation in the Presence of Unpredictable Randomisation},
author = {Vojtech Kovarik and Nathaniel Sauerberg and Lewis Hammond and Vincent Conitzer},
journal= {arXiv preprint arXiv:2410.14311},
year = {2025}
}