P:
W jaki sposób koncepcja równowagi może wpłynąć na projekty uczenia maszynowego?
ZA:Zasadniczo równowaga będzie miała wpływ na uczenie maszynowe poprzez dążenie do ustabilizowania środowisk uczenia maszynowego i tworzenia rezultatów za pomocą kompatybilnej kombinacji elementów deterministycznych i probabilistycznych.
Eksperci opisują „równowagę” jako sytuację, w której racjonalni aktorzy w systemie uczenia maszynowego osiągają konsensus w sprawie działań strategicznych - w szczególności równowaga Nasha w teorii gier obejmuje dwa lub więcej z tych racjonalnych podmiotów konsolidujących strategie, uznając, że żaden gracz nie korzysta z zmiana konkretnej strategii, jeśli inni gracze nie zmienią swojej.
| Bezpłatne pobieranie: Uczenie maszynowe i dlaczego to ma znaczenie |
Szczególnie popularna i prosta demonstracja równowagi Nasha polega na prostej matrycy, w której każdy z dwóch graczy wybiera wynik binarny.
Powyżej jest dość technicznym sposobem opisania równowagi i jej działania. O wiele bardziej nieformalnym sposobem zilustrowania koncepcji równowagi, szczególnie powyższego przykładu dwóch racjonalnych aktorów, z których każdy ma binarny wybór, jest zastanowienie się nad scenariuszem „chodzenia ku sobie w korytarzu szkoły średniej”.
Załóżmy, że dwie osoby idą w różnych kierunkach korytarzem szkoły średniej (lub dowolnym innym obszarem), w którym jest miejsce tylko dla dwóch osób na szerokość. Dwie otwarte ścieżki to wyniki binarne. Jeśli dwaj racjonalni aktorzy wybiorą różne wyniki binarne, które nie są ze sobą sprzeczne, przejdą obok siebie i przywitają się. Jeśli wybiorą dwa sprzeczne wyniki binarne - idą w tej samej przestrzeni, a jeden z nich będzie musiał ustąpić.
W powyższym przykładzie, jeśli dwaj racjonalni aktorzy wybiorą dwa zgodne i nie sprzeczne ze sobą wyniki, ogólny konsensus jest taki, że żaden nie zyskuje, zmieniając swoją strategię - w tym przypadku ich kierunki chodzenia - jeśli druga osoba nie zmieni ich.
Powyższe stanowi równowagę, którą można modelować w dowolnym konstrukcie uczenia maszynowego. Biorąc pod uwagę ten prosty przykład, rezultatem zawsze będą dwaj racjonalni aktorzy współpracujący, czyli innymi słowy dwie osoby przechodzące obok siebie.
Przeciwnie można by nazwać „nierównowagą” - jeśli dwaj racjonalni aktorzy wybiorą sprzeczne wyniki, jak wspomniano, jeden z nich będzie musiał ustąpić. Jednak modelowanie tego programu ML może zostać wrzucone w nieskończoną pętlę, jeśli oboje zdecydują się ustąpić - podobnie jak dwie osoby, aby przenieść się, aby spróbować się pomieścić i nadal iść w kierunku kolizji.
Równowagi takie jak ta powyżej będą na ogół wykorzystywane w uczeniu maszynowym do tworzenia konsensusu i stabilizacji modeli. Inżynierowie i programiści będą szukać scenariuszy i sytuacji, które korzystają z równowagi, i będą pracować nad zmianą lub obsługą tych, które nie. Patrząc na rzeczywiste przykłady odpowiadające równowagom ML, łatwo jest zobaczyć, jak tego rodzaju analiza w systemie uczenia maszynowego jest wyjątkowo pouczająca, aby dowiedzieć się, jak modelować ludzkie zachowanie poprzez tworzenie racjonalnych aktorów i agentów. To tylko jeden doskonały przykład tego, jak można wykorzystać równowagę, aby dokonać postępów w stosowaniu systemów uczenia maszynowego.
