神经收益机:预测团队成员间公平且稳定的收益分配
机器学习
2022-08-19 v1 人工智能
计算机科学与博弈论
多智能体系统
理论经济学
摘要
在许多多智能体环境中,参与者可组建团队以实现远超个体能力的集体成果。衡量智能体的相对贡献并分配能促进长久合作的奖励份额是困难任务。合作博弈论提供了识别分配方案的解概念,如公平反映个体对团队绩效贡献的 Shapley 值,或降低智能体脱离团队动机的核(Core)。此类方法的应用包括识别有影响力特征、分摊联合 venture 成本或团队组建。遗憾的是,即便在受限设定下,使用这些解也需应对计算障碍,因其难以计算。本文中,我们展示了如何将合作博弈论解蒸馏为学习模型,通过训练神经网络提出公平且稳定的收益分配。我们表明该方法创建的模型可泛化至远离训练分布的对局,并能预测多于训练时所见参与者的解。我们框架的一个重要应用是可解释 AI:该方法可用于加速多实例上的 Shapley 值计算。
引用
@article{arxiv.2208.08798,
title = {Neural Payoff Machines: Predicting Fair and Stable Payoff Allocations Among Team Members},
author = {Daphne Cornelisse and Thomas Rood and Mateusz Malinowski and Yoram Bachrach and Tal Kachman},
journal= {arXiv preprint arXiv:2208.08798},
year = {2022}
}