ترجمه فارسی مقاله آیا دانش قدرت است؟ در مورد (عدم) امکان یادگیری از تعامل استراتژیک

چکیده

When learning in strategic environments, a key question is whether agents can overcome uncertainty about their preferences to achieve outcomes they could have achieved absent any uncertainty. Can they do this solely through interactions with each other? We focus this question on the ability of agents to attain the value of their Stackelberg optimal strategy and study the impact of information asymmetry. We study repeated interactions in fully strategic environments where players’ actions are decided based on learning algorithms that take into account their observed histories and knowledge of the game. We study the pure Nash equilibria (PNE) of a meta-game where players choose these algorithms as their actions. We demonstrate that if one player has perfect knowledge about the game, then any initial informational gap persists. That is, while there is always a PNE in which the informed agent achieves her Stackelberg value, there is a game where no PNE of the meta-game allows the partially informed player to achieve her Stackelberg value. On the other hand, if both players start with some uncertainty about the game, the quality of information alone does not determine which agent can achieve her Stackelberg value. In this case, the concept of information asymmetry becomes nuanced and depends on the game’s structure. Overall, our findings suggest that repeated strategic interactions alone cannot facilitate learning effectively enough to earn an uninformed player her Stackelberg value.

چکیده به فارسی (ترجمه ماشینی)

هنگام یادگیری در محیط های استراتژیک ، یک سؤال اساسی این است که آیا مأمورین می توانند بر عدم اطمینان در مورد ترجیحات خود برای دستیابی به نتایج حاصل از عدم اطمینان به دست نیاوردند.آیا آنها می توانند این کار را صرفاً از طریق تعامل با یکدیگر انجام دهند؟ما این سؤال را بر توانایی نمایندگان در دستیابی به ارزش استراتژی بهینه Stackelberg و بررسی تأثیر عدم تقارن اطلاعات متمرکز می کنیم.ما تعامل های مکرر را در محیط های کاملاً استراتژیک مطالعه می کنیم که در آن اقدامات بازیکنان بر اساس الگوریتم های یادگیری تصمیم می گیرد که تاریخ و دانش مشاهده شده آنها را در مورد بازی در نظر می گیرند.ما تعادل Nash Nash (PNE) یک بازی متا را مطالعه می کنیم که بازیکنان این الگوریتم ها را به عنوان اقدامات خود انتخاب می کنند.ما نشان می دهیم که اگر یک بازیکن دانش کاملی در مورد بازی داشته باشد ، هر شکاف اطلاعاتی اولیه همچنان ادامه دارد.یعنی ، در حالی که همیشه یک PNE وجود دارد که در آن عامل آگاه به ارزش Stackelberg خود دست می یابد ، یک بازی وجود دارد که هیچ PNE از بازی متا اجازه نمی دهد تا به بازیکن تا حدی آگاه اجازه دهد تا به ارزش Stackelberg خود برسد.از طرف دیگر ، اگر هر دو بازیکن با برخی از عدم اطمینان در مورد بازی شروع کنند ، کیفیت اطلاعات به تنهایی مشخص نمی کند که کدام عامل می تواند به ارزش Stackelberg خود برسد.در این حالت ، مفهوم عدم تقارن اطلاعات ظریف می شود و به ساختار بازی بستگی دارد.به طور کلی ، یافته های ما نشان می دهد که تعامل استراتژیک مکرر به تنهایی نمی تواند یادگیری را به اندازه کافی مؤثر تسهیل کند تا بتواند یک بازیکن ناآشنا ارزش خود را در استایلبرگ کسب کند.