Multiagent Systems,Artificial Intelligence,Computer Science and Game Theory,Machine Learning,Systems and Control,سیستم های چند منظوره , هوش مصنوعی , علوم کامپیوتر و نظریه بازی , یادگیری ماشین , سیستم ها و کنترل ,
توضیحات
Submitted 21 August, 2024; originally announced August 2024.
توضیحات به فارسی
ارائه شده 21 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
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
Recent works have provided algorithms by which decentralised agents, which may be connected via a communication network, can learn equilibria in Mean-Field Games from a single, non-episodic run of the empirical system. However, these algorithms are given for tabular settings: this computationally limits the size of players' observation space, meaning that the algorithms are not able to handle anything but small state spaces, nor to generalise beyond policies depending on the ego player's state to so-called 'population-dependent' policies. We address this limitation by introducing function approximation to the existing setting, drawing on the Munchausen Online Mirror Descent method that has previously been employed only in finite-horizon, episodic, centralised settings. While this permits us to include the population's mean-field distribution in the observation for each player's policy, it is arguably unrealistic to assume that decentralised agents would have access to this global information: we therefore additionally provide new algorithms that allow agents to estimate the global empirical distribution based on a local neighbourhood, and to improve this estimate via communication over a given network. Our experiments showcase how the communication network allows decentralised agents to estimate the mean-field distribution for population-dependent policies, and that exchanging policy information helps networked agents to outperform both independent and even centralised agents in function-approximation settings, by an even greater margin than in tabular settings.
چکیده به فارسی (ترجمه ماشینی)
آثار اخیر الگوریتم هایی را ارائه داده اند که توسط آنها عوامل غیر متمرکز ، که ممکن است از طریق یک شبکه ارتباطی به هم متصل شوند ، می توانند تعادل را در بازی های میدانی از یک اجرای تک و غیر عملی از سیستم تجربی یاد بگیرند.با این حال ، این الگوریتم ها برای تنظیمات جدولی ارائه شده است: این از نظر محاسباتی اندازه فضای مشاهده بازیکنان را محدود می کند ، به این معنی که الگوریتم ها قادر به اداره هر چیزی جز فضاهای کوچک دولت نیستند ، و همچنین بسته به وضعیت بازیکن Ego به تعمیم دادن سیاست هاسیاست های "وابسته به جمعیت" نامیده می شود.ما با معرفی تقریب عملکرد به تنظیمات موجود ، به این محدودیت می پردازیم ، و از روش نزول آینه آنلاین Munchausen که قبلاً فقط در تنظیمات محدود ، اپیزودیک و متمرکز استفاده شده بود ، ترسیم می کنیم.در حالی که این امر به ما اجازه می دهد توزیع میانگین میدان جمعیت را در مشاهده سیاست هر بازیکن در نظر بگیریم ، اما این فرضیه غیر واقعی است که فرض کنیم عوامل غیر متمرکز به این اطلاعات جهانی دسترسی خواهند داشت: بنابراین ما الگوریتم های جدیدی را ارائه می دهیم که به نمایندگان اجازه می دهد جهانی را تخمین بزنند.توزیع تجربی بر اساس یک محله محلی و بهبود این تخمین از طریق ارتباطات از طریق یک شبکه معین.آزمایشات ما نشان می دهد که چگونه شبکه ارتباطی به عوامل غیرمتمرکز اجازه می دهد توزیع میدان میانگین برای سیاست های وابسته به جمعیت را تخمین بزنند ، و مبادله اطلاعات سیاست به عوامل شبکه ای کمک می کند تا از هر دو عامل مستقل و حتی متمرکز در تنظیمات عملکرد و عملکرد ، از یک حاشیه حتی بیشتر عمل کنند.از تنظیمات جدولی.
📚 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
