ترجمه فارسی مقاله یادگیری غیرمتمرکز و ناهماهنگ تطابق‌های پایدار: رویکردی مبتنی بر نظریه بازی‌ها

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Decentralized and Uncoordinated Learning of Stable Matchings: A Game-Theoretic Approach
عنوان مقاله به فارسی یادگیری غیرمتمرکز و ناهماهنگ تطابق‌های پایدار: رویکردی مبتنی بر نظریه بازی‌ها
نویسندگان S. Rasoul Etesami, R. Srikant
فرمت مقاله انگلیسی PDF
تعداد صفحات 29
دسته بندی موضوعات Computer Science and Game Theory,Machine Learning,Multiagent Systems,Social and Information Networks,Systems and Control,علوم کامپیوتر و نظریه بازی , یادگیری ماشین , سیستم های چندتایی , شبکه های اجتماعی و اطلاعاتی , سیستم ها و کنترل ها ,
توضیحات Submitted 14 August, 2024; v1 submitted 30 July, 2024; originally announced July 2024.
توضیحات به فارسی ارسال شده در 14 اوت 2024 ؛V1 ارسال شده 30 ژوئیه 2024 ؛در ابتدا ژوئیه 2024 اعلام شد.

قیمت: 19,000 تومان

دانلود مقاله اصل انگلیسی + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 99,000 تومان

سفارش + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی و ترجمه کامل آن، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 1,160,000 تومان

زمان تحویل: 2 تا 3 روز کاری


📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

We consider the problem of learning stable matchings with unknown preferences in a decentralized and uncoordinated manner, where "decentralized" means that players make decisions individually without the influence of a central platform, and "uncoordinated" means that players do not need to synchronize their decisions using pre-specified rules. First, we provide a game formulation for this problem with known preferences, where the set of pure Nash equilibria (NE) coincides with the set of stable matchings, and mixed NE can be rounded to a stable matching. Then, we show that for hierarchical markets, applying the exponential weight (EXP) learning algorithm to the stable matching game achieves logarithmic regret in a fully decentralized and uncoordinated fashion. Moreover, we show that EXP converges locally and exponentially fast to a stable matching in general markets. We also introduce another decentralized and uncoordinated learning algorithm that globally converges to a stable matching with arbitrarily high probability. Finally, we provide stronger feedback conditions under which it is possible to drive the market faster toward an approximate stable matching. Our proposed game-theoretic framework bridges the discrete problem of learning stable matchings with the problem of learning NE in continuous-action games.

چکیده به فارسی (ترجمه ماشینی)

ما مشکل یادگیری تطابق پایدار با ترجیحات ناشناخته را به صورت غیر متمرکز و غیر هماهنگ در نظر می گیریم ، جایی که "غیر متمرکز" به این معنی است که بازیکنان بدون تأثیر یک بستر مرکزی تصمیم گیری می کنند و "نامحدود" به این معنی است که بازیکنان نیازی به همگام سازی تصمیمات خود ندارندبا استفاده از قوانین از پیش تعیین شده.اول ، ما یک فرمول بازی را برای این مشکل با ترجیحات شناخته شده ارائه می دهیم ، جایی که مجموعه ای از تعادل Nash Nash (NE) با مجموعه ای از مطابقت های پایدار همزمان است و NE مختلط را می توان با یک تطبیق پایدار گرد کرد.سپس ، ما نشان می دهیم که برای بازارهای سلسله مراتبی ، استفاده از الگوریتم یادگیری وزن نمایی (EXP) در بازی تطبیق پایدار ، پشیمانی لگاریتمی را به روشی کاملاً غیر متمرکز و نامحدود می رساند.علاوه بر این ، ما نشان می دهیم که EXP به صورت محلی و به صورت نمایی سریع به یک تطبیق پایدار در بازارهای عمومی همگرا می شود.ما همچنین الگوریتم یادگیری غیر متمرکز و غیر هماهنگ دیگری را معرفی می کنیم که در سطح جهان با یک تطبیق پایدار با احتمال بسیار خودسرانه همگرا می شود.سرانجام ، ما شرایط بازخورد قوی تری را ارائه می دهیم که تحت آن امکان هدایت سریعتر بازار به سمت تطبیق تقریبی پایدار است.چارچوب نظری بازی پیشنهادی ما مشکل گسسته یادگیری تطبیق پایدار با مشکل یادگیری NE در بازی های اکشن مداوم را برطرف می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.