論文の概要: Finding Core Members of Cooperative Games using Agent-Based Modeling
- arxiv url: http://arxiv.org/abs/2009.00519v1
- Date: Sun, 30 Aug 2020 17:38:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 12:27:43.684830
- Title: Finding Core Members of Cooperative Games using Agent-Based Modeling
- Title（参考訳）: エージェントベースモデリングによる協調競技のコアメンバー発見
- Authors: Daniele Vernon-Bido, Andrew J. Collins
- Abstract要約: エージェント・ベース・モデリング(ABM)は、社会現象の洞察を得るための強力なパラダイムである。
本稿では,エージェントが連立関係を見つけられるように,AIMに組み込むアルゴリズムを開発した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Agent-based modeling (ABM) is a powerful paradigm to gain insight into social
phenomena. One area that ABM has rarely been applied is coalition formation.
Traditionally, coalition formation is modeled using cooperative game theory. In
this paper, a heuristic algorithm is developed that can be embedded into an ABM
to allow the agents to find coalition. The resultant coalition structures are
comparable to those found by cooperative game theory solution approaches,
specifically, the core. A heuristic approach is required due to the
computational complexity of finding a cooperative game theory solution which
limits its application to about only a score of agents. The ABM paradigm
provides a platform in which simple rules and interactions between agents can
produce a macro-level effect without the large computational requirements. As
such, it can be an effective means for approximating cooperative game solutions
for large numbers of agents. Our heuristic algorithm combines agent-based
modeling and cooperative game theory to help find agent partitions that are
members of a games' core solution. The accuracy of our heuristic algorithm can
be determined by comparing its outcomes to the actual core solutions. This
comparison achieved by developing an experiment that uses a specific example of
a cooperative game called the glove game. The glove game is a type of exchange
economy game. Finding the traditional cooperative game theory solutions is
computationally intensive for large numbers of players because each possible
partition must be compared to each possible coalition to determine the core
set; hence our experiment only considers games of up to nine players. The
results indicate that our heuristic approach achieves a core solution over 90%
of the time for the games considered in our experiment.
- Abstract（参考訳）: エージェントベースモデリング(ABM)は、社会現象の洞察を得るための強力なパラダイムである。
abmがほとんど適用されていない領域は連合形成である。
伝統的に、連立形成は協調ゲーム理論を用いてモデル化される。
本稿では,エージェントが連立関係を見つけるために,abmに組み込むことができるヒューリスティックアルゴリズムを開発した。
結果として生じる連立構造は、協調ゲーム理論の解法、特にコアの解法に匹敵する。
ヒューリスティックなアプローチは、その応用をエージェントのスコアのみに制限する協調ゲーム理論解を見つけるという計算複雑性のために要求される。
ABMパラダイムは、エージェント間の単純なルールと相互作用が大きな計算要求なしにマクロレベルの効果を生み出すことができるプラットフォームを提供する。
そのため、多数のエージェントに対して協調的なゲームソリューションを近似する有効な手段となり得る。
我々のヒューリスティックアルゴリズムはエージェントベースのモデリングと協調ゲーム理論を組み合わせて、ゲームのコアソリューションのメンバーであるエージェントパーティションを見つけるのに役立つ。
我々のヒューリスティックアルゴリズムの精度は、その結果と実際のコア解を比較することで決定できる。
この比較は、グローブゲームと呼ばれる協調ゲームの特定の例を使用する実験を開発することで達成された。
グローブゲーム(英: glove game)は、交換経済ゲームの一種である。
従来の協調ゲーム理論の解を見つけることは、多くのプレイヤーにとって計算集約的な方法である。なぜなら、各パーティションは、コアセットを決定するために、それぞれのアライアンスと比較する必要があるからである。
その結果,我々のヒューリスティックアプローチは,実験で考慮したゲームの90%以上をコアソリューションとして実現していることがわかった。
関連論文リスト
- Runtime analysis of a coevolutionary algorithm on impartial combinatorial games [1.104960878651584]
進化的アルゴリズム(CoEA)は、現代人との相互作用に基づいて最強を反復的に選択し、次の世代で両親として選択した個体群を用いて、個体群を進化させる。
しかし,CoEAのゲームプレイへの応用はサイクリングなどの病理的行動のため,実行時のペイオフ状況において特に問題となる。
本稿では,解析の範囲を推し進め,公平なゲームのための最適な戦略を見出す。
この結果はどんな公平なゲームにも当てはまり、多くのゲームでは、インプリッド・バウンドは数の関数として、あるいは準ポリノミアルである。
論文 参考訳（メタデータ） (2024-09-06T10:39:17Z) - Imperfect-Recall Games: Equilibrium Concepts and Their Complexity [74.01381499760288]
エージェントが以前保持していた情報を忘れたとき、不完全なリコールの下で最適な意思決定を行う。
不完全なリコールを伴う広範囲形式のゲームフレームワークにおいて、マルチプレイヤー設定における平衡を求める際の計算複雑性を解析する。
論文 参考訳（メタデータ） (2024-06-23T00:27:28Z) - Open Ad Hoc Teamwork with Cooperative Game Theory [28.605478081031215]
アドホックなチームワークは、事前の調整や共同トレーニングなしに、チームメイトと協力するエージェントの設計を必要とする、困難な問題を引き起こします。
有望な解決策の1つは、制限のない数のエージェントを扱うためにグラフニューラルネットワークの一般化性を活用することである。
本稿では,ゲームフレームワークをベースとしたCIAOという新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-02-23T11:04:33Z) - Neural Population Learning beyond Symmetric Zero-sum Games [52.20454809055356]
我々はNuPL-JPSROという,スキルの伝達学習の恩恵を受けるニューラル集団学習アルゴリズムを導入し,ゲームの粗相関(CCE)に収束する。
本研究は, 均衡収束型集団学習を大規模かつ汎用的に実施可能であることを示す。
論文 参考訳（メタデータ） (2024-01-10T12:56:24Z) - Tackling Cooperative Incompatibility for Zero-Shot Human-AI Coordination [36.33334853998621]
協調的オープンエンド・ラーニング(COLE)フレームワークを導入し,学習における協調的非互換性を解決する。
COLEは、グラフ理論の観点を用いて、2人のプレイヤーと協調ゲームにおけるオープンエンド目標を定式化し、各戦略の協調能力を評価し、特定する。
我々は,COLEが理論的および経験的分析から協調的不整合性を効果的に克服できることを示した。
論文 参考訳（メタデータ） (2023-06-05T16:51:38Z) - Hardness of Independent Learning and Sparse Equilibrium Computation in
Markov Games [70.19141208203227]
マルコフゲームにおける分散型マルチエージェント強化学習の問題点を考察する。
我々は,全てのプレイヤーが独立に実行すると,一般のサムゲームにおいて,アルゴリズムが到達しないことを示す。
我々は,全てのエージェントが集中型アルゴリズムによって制御されるような,一見簡単な設定であっても,下位境界が保持されていることを示す。
論文 参考訳（メタデータ） (2023-03-22T03:28:12Z) - Cooperative Open-ended Learning Framework for Zero-shot Coordination [35.330951448600594]
本研究では,2人のプレーヤーによる協調ゲームにおいて,オープンエンドの目標を構築するための枠組みを提案する。
また,ゲーム理論やグラフ理論からの知識を活用する実用的なアルゴリズムを提案する。
本手法は,異なるレベルのパートナーとコーディネートする場合に,最先端の手法よりも優れる。
論文 参考訳（メタデータ） (2023-02-09T18:37:04Z) - Multi-Agent Collaboration via Reward Attribution Decomposition [75.36911959491228]
本稿では,StarCraftのマルチエージェントチャレンジにおいて,最先端のパフォーマンスを実現するコラボレーション型Q-ラーニング(CollaQ)を提案する。
CollaQは様々なStarCraft属性マップで評価され、既存の最先端技術よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-10-16T17:42:11Z) - Faster Algorithms for Optimal Ex-Ante Coordinated Collusive Strategies
in Extensive-Form Zero-Sum Games [123.76716667704625]
我々は,不完全情報ゼロサム拡張形式ゲームにおいて,対戦相手と対決する2人の選手のチームにとって最適な戦略を見つけることの課題に焦点をあてる。
この設定では、チームができる最善のことは、ゲーム開始時の関節(つまり相関した)確率分布から潜在的にランダム化された戦略(プレイヤー1人)のプロファイルをサンプリングすることである。
各プロファイルにランダム化されるのはチームメンバーの1人だけであるプロファイルのみを用いることで、そのような最適な分布を計算するアルゴリズムを提供する。
論文 参考訳（メタデータ） (2020-09-21T17:51:57Z) - Evaluating and Rewarding Teamwork Using Cooperative Game Abstractions [103.3630903577951]
我々は、協調ゲーム理論を用いて、プロスポーツから、人工RLエージェントのチームと現実世界のチームを研究する。
データからCFを推定するための協調ゲーム抽象化(CGA)と呼ばれるパラメトリックモデルを導入する。
CGAモデルに対する識別結果とサンプル境界の複雑さと、CGAを用いたShapley値の推定における誤差境界を提供する。
論文 参考訳（メタデータ） (2020-06-16T22:03:36Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。