信息不对称与知识迁移性下的在线战略决策样本复杂度

信息不对称是多智能体系统中的普遍特征，在经济学与社会科学中尤为明显。在这些设定中，智能体基于私有信息调整其行动以最大化回报。这些策略性行为常因混淆变量而引入复杂性。与此同时，知识迁移性构成了另一重大挑战，源于在目标环境中开展实验的困难，需要将知识从经验数据更易获取的环境转移。在上述背景下，本文探讨了在线学习中的一个基本问题：在需要知识迁移的情况下，能否利用非独立同分布的行动来学习混淆变量？本文提出了一种样本高效的算法，旨在信息不对称的条件下准确识别系统动力学，并在强化学习的在线战略交互框架下有效应对知识迁移的挑战。我们的方法在理论上以紧致的样本复杂度 $O(1/\epsilon^2)$ 实现了 $\epsilon$-最优策略的学习。