Computer Science and Game Theory,Machine Learning,Optimization and Control,Machine Learning,علوم کامپیوتر و نظریه بازی , یادگیری ماشین , بهینه سازی و کنترل , یادگیری ماشین ,
توضیحات
Submitted 27 August, 2024; originally announced August 2024. , Comments: 5 figures
توضیحات به فارسی
ارسال شده در 27 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: 5 رقم
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
Mean-field games (MFG) have become significant tools for solving large-scale multi-agent reinforcement learning problems under symmetry. However, the assumption of exact symmetry limits the applicability of MFGs, as real-world scenarios often feature inherent heterogeneity. Furthermore, most works on MFG assume access to a known MFG model, which might not be readily available for real-world finite-agent games. In this work, we broaden the applicability of MFGs by providing a methodology to extend any finite-player, possibly asymmetric, game to an "induced MFG". First, we prove that $N$-player dynamic games can be symmetrized and smoothly extended to the infinite-player continuum via explicit Kirszbraun extensions. Next, we propose the notion of $α,β$-symmetric games, a new class of dynamic population games that incorporate approximate permutation invariance. For $α,β$-symmetric games, we establish explicit approximation bounds, demonstrating that a Nash policy of the induced MFG is an approximate Nash of the $N$-player dynamic game. We show that TD learning converges up to a small bias using trajectories of the $N$-player game with finite-sample guarantees, permitting symmetrized learning without building an explicit MFG model. Finally, for certain games satisfying monotonicity, we prove a sample complexity of $\widetilde{\mathcal{O}}(\varepsilon^{-6})$ for the $N$-agent game to learn an $\varepsilon$-Nash up to symmetrization bias. Our theory is supported by evaluations on MARL benchmarks with thousands of agents.
چکیده به فارسی (ترجمه ماشینی)
بازی های میدانی (MFG) به ابزارهای مهمی برای حل مشکلات یادگیری تقویت کننده چند عامل در مقیاس بزرگ تحت تقارن تبدیل شده اند.با این حال ، فرض تقارن دقیق کاربرد MFG ها را محدود می کند ، زیرا سناریوهای دنیای واقعی اغلب ناهمگونی ذاتی را نشان می دهند.علاوه بر این ، بیشتر آثار در مورد MFG دسترسی به یک مدل MFG شناخته شده را فرض می کنند ، که ممکن است به راحتی برای بازی های محدود در دنیای واقعی در دسترس نباشد.در این کار ، ما کاربرد MFG ها را با ارائه یک روش برای گسترش هر بازی محدود ، احتمالاً نامتقارن ، به "MFG القا شده" گسترش می دهیم.اول ، ما ثابت می کنیم که بازی های پویا $ $ n $-player را می توان متقارن و هموار در زنجیره پخش کننده نامحدود از طریق پسوندهای صریح Kirszbraun گسترش داد.در مرحله بعد ، ما مفهوم $ α ، بازی های متقارن $ α ، β $ ، کلاس جدیدی از بازی های پویا جمعیت را ارائه می دهیم که دارای تغییر تقریبی جابجایی هستند.برای بازی های α α ، β $-متقارن ، ما مرزهای تقریب صریح را تعیین می کنیم ، نشان می دهد که یک سیاست NASH از MFG القا شده ، تقریبی NASH از بازی پویا $ N $-player است.ما نشان می دهیم که یادگیری TD با استفاده از مسیرهای بازی $ $-$-player با ضمانت های نمونه محدود ، به یک تعصب کوچک همگرا می شود و امکان یادگیری متقارن بدون ایجاد یک مدل MFG صریح را فراهم می کند.سرانجام ، برای برخی از بازی های رضایت بخش از یکنواختی ، ما یک نمونه پیچیدگی از $ \ widetilde {\ mathcal {o}}} (\ varepsilon^{-6}) $ برای بازی $ n $ -agent برای یادگیری یک $ \ varepsilon $-اثبات می کنیم.NASH به تعصب تقارن.نظریه ما با ارزیابی در معیارهای مارل با هزاران عامل پشتیبانی می شود.
📚 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.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
