从行为数据学习大规模群体博弈图的结构与参数
机器学习
2016-02-22 v4 计算机科学与博弈论
机器学习
摘要
我们考虑从严格的行为数据中学习线性影响博弈（LIG）的结构与参数，LIG是由Irfan和Ortiz（2014）引入的一类参数化群体博弈图。LIG有助于因果策略推理（CSI）：从策略环境中稳定行为的因果干预进行推断。应用包括识别大型（社交）网络中最具影响力的个体。此类任务也可支持政策制定分析。受LIG计算工作的启发，我们将学习问题定义为由纯策略纳什均衡（PSNE）定义的生成模型的最大似然估计（MLE）。我们的简单公式揭示了拟合优度与模型复杂度之间的基本相互作用：好的模型在控制真实均衡数量（包括未观测到的）的同时，捕捉数据中的均衡行为。我们给出了一个泛化界，建立了我们框架中MLE的样本复杂度。我们提出了几种算法，包括凸损失最小化（CLM）和Sigmoid近似。我们证明，LIG中精确PSNE的数量以高概率很小；因此CLM是合理的。我们在合成数据和真实世界的美国国会投票记录上展示了我们的方法。我们简要讨论了学习框架的通用性及其对一般群体博弈的潜在适用性。
引用
@article{arxiv.1206.3713,
title = {Learning the Structure and Parameters of Large-Population Graphical Games from Behavioral Data},
author = {Jean Honorio and Luis Ortiz},
journal= {arXiv preprint arXiv:1206.3713},
year = {2016}
}
备注
Journal of Machine Learning Research. (accepted, pending publication.) Last conference version: submitted March 30, 2012 to UAI 2012. First conference version: entitled, Learning Influence Games, initially submitted on June 1, 2010 to NIPS 2010