基于神经流形学习的斯塔克伯格博弈神经流形表示
机器学习
2025-11-18 v2 人工智能
计算机科学与博弈论
多智能体系统
摘要
我们提出一种用于斯塔克伯格一般型博弈在线学习的新框架，其中两位智能体（领袖和跟随者）进行顺序轮次交互。该方法的核心是学习一个微分同胚，将联合动作空间映射到光滑的球面黎曼流形上，称为斯塔克伯格流形。通过神经正规化流实现此映射，确保可追求的等面积子空间的形成，使在线学习 techniques 高效可行。利用智能体奖励函数在斯塔克伯格流形上的线性特性，我们的构建允许应用线性多臂老虎机算法。我们对在所学习的流形上进行博弈学习的后悔最小化提供了严格的理论依据，并建立了学习斯塔克伯格均衡的简单后悔界限。该方法将流形学习集成到博弈论中，揭示了神经正规化流作为多智能体学习有效工具的前所未有的潜力。我们呈现的实证结果表明，该方法在各种应用领域（如网络安全和经济供应链优化）相较于标准基线方法具有有效性。
引用
@article{arxiv.2502.05498,
title = {Riemannian Manifold Learning for Stackelberg Games with Neural Flow Representations},
author = {Larkin Liu and Kashif Rasul and Yutong Chao and Jalal Etesami},
journal= {arXiv preprint arXiv:2502.05498},
year = {2025}
}
备注
Stackelberg games. Manifold learning. Online learning