論文の概要: Regret, equilibrium, and learning in games: A guided tour
- arxiv url: http://arxiv.org/abs/2608.09389v1
- Date: Mon, 10 Aug 2026 10:14:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.204582
- Title: Regret, equilibrium, and learning in games: A guided tour
- Title（参考訳）: ゲームにおけるレグレト、均衡、学習:ガイド付きツアー
- Abstract要約: このノートは、ゲームにおける学習に関する文献のエントリポイントとして機能することを目的としている。
まず、未知の、非定常的で、おそらくは敵対的な環境において、逐次決定プロセスに従事している1つのエージェントについて考察する。
いくつかの相互作用するエージェントの判断によって環境が形成されるとどうなるかを検討する。
- 参考スコア（独自算出の注目度）: 24.674780930891043
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This note aims to serve as an entry point to the literature on learning in games, a topic with significant theoretical appeal and a wide range of applications -- from machine learning and data science to economics and beyond. Our presentation is structured around two complementary viewpoints: We first consider a single agent -- the learner -- engaged in a sequential decision process in an unknown, non-stationary, and possibly adversarial environment. We then examine what happens when the environment is shaped by the decisions of several interacting agents, not necessarily aware of each other's actions or goals, and all seeking to improve their individual rewards. In this general context, we examine a family of regularized learning policies based on best-responding to the past history of play, up to a regularization penalty intended to encourage exploration and prevent over-commitment to suboptimal choices. In the single-agent setting, we present some basic regret bounds for regularized learning in adversarial multi-armed bandits; in the multi-agent setting, we describe an ergodic equilibrium convergence result for zero-sum games in the spirit of classical results on fictitious play, as well as a "folk theorem" linking strategic and dynamic notions of stability -- Nash equilibria and attracting points of regularized learning, respectively. We pay special attention to the information available to the players and, through a unified analysis framework, we study both oracle- and payoff-based (bandit) methods. Our goal is to provide a coherent and comprehensible -- albeit, by necessity, not comprehensive -- account of some recent ideas in the field, and to discuss their implications for the study of rationality.
- Abstract（参考訳）: このノートは、ゲームにおける学習に関する文献、重要な理論的魅力のあるトピック、そして、機械学習やデータサイエンスから経済学まで、幅広い応用のエントリポイントとして機能することを目的としています。私たちのプレゼンテーションは、2つの補完的な視点に基づいて構成されています。まずは、学習者である1つのエージェントが、未知の、非定常的で、おそらく敵対的な環境において、シーケンシャルな意思決定プロセスに従事していると考えています。
次に、相互作用するエージェントの判断によって環境が形成されるとき、お互いの行動や目標を必ずしも意識せず、それぞれが個々の報酬を改善しようとするときに何が起こるかを調べる。
本稿では,過去の遊びの歴史に最もよく対応した正規化学習政策を,探索を奨励し,最適下地選択への過度なコミットを防止することを目的とした正規化ペナルティまで検討する。
単一エージェント設定では、逆多重武器帯における正規化学習の基本的な後悔境界を提示し、多エージェント設定では、古典的な結果の精神におけるゼロサムゲームに対するエルゴード均衡収束結果と、安定性の戦略的および動的概念であるナッシュ均衡と正規化学習の誘引点をリンクする「フォーク定理」を記述する。
我々はプレイヤーに利用可能な情報に特別な注意を払っており、統一的な分析フレームワークを通じて、オラクルとペイオフ(バンド)の両方の手法を研究している。
我々のゴールは、その分野における最近の考えを考慮に入れながら、必要により、包括的ではなく、一貫性があり、理解しやすくすることであり、合理性の研究にそれらの意味を議論することである。
関連論文リスト
- An Introduction to Causal Reinforcement Learning [58.680653905480284]
因果推論と強化学習は、同じビルディングブロックの異なる側面、すなわち反実的関係で機能する。
私たちは、オンライン、オフ政治、因果計算学習など、さまざまな学習方法の統一的な治療を受けました。
具体的には、政策学習を一般化した因果レンズを用いて、介入すべき場所、模倣学習、反事実学習を紹介し、議論する。
論文 参考訳（メタデータ） (2026-06-23T05:28:33Z) - Actor-Dual-Critic Dynamics for Zero-sum and Identical-Interest Stochastic Games [2.992414059774663]
本稿では,モデルフリー,ゲーム非依存,グラデーションフリーのゲームに対して,新たな独立かつペイオフベースの学習フレームワークを提案する。
無限地平線上の二エージェントゼロサムおよび多エージェント同一関心ゲームにおける(近似)リビリアへの収束を確立する。
これにより、両方の設定で理論的に保証された最初のペイオフベースで完全に分散化された学習アルゴリズムの1つが提供される。
論文 参考訳（メタデータ） (2026-01-31T08:48:09Z) - Agentic Reasoning for Large Language Models [122.81018455095999]
推論は推論、問題解決、意思決定の基礎となる基本的な認知プロセスである。
大規模言語モデル(LLM)は、クローズドワールド設定では強力な推論能力を示すが、オープンエンドおよび動的環境では苦労する。
エージェント推論は、連続的な相互作用を計画し、行動し、学習する自律的なエージェントとしてLLMを解釈することでパラダイムシフトを示す。
論文 参考訳（メタデータ） (2026-01-18T18:58:23Z) - Performative Reinforcement Learning [8.07595093287034]
実演安定政策の概念を導入する。
この目的を何度も最適化することは、性能的に安定した政策に収束することを示します。
論文 参考訳（メタデータ） (2022-06-30T18:26:03Z) - A unified stochastic approximation framework for learning in games [82.74514886461257]
ゲームにおける学習の長期的挙動(連続的・有限的)を解析するためのフレキシブルな近似フレームワークを開発する。
提案する分析テンプレートには,勾配に基づく手法,有限ゲームでの学習のための指数的/乗算的重み付け,楽観的および帯域的変異など,幅広い一般的な学習アルゴリズムが組み込まれている。
論文 参考訳（メタデータ） (2022-06-08T14:30:38Z) - Hindsight and Sequential Rationality of Correlated Play [18.176128899338433]
私たちは、修正された振る舞いで達成できたことに対して、強いパフォーマンスを後見で保証するアルゴリズムを検討します。
我々は,学習の隠れた枠組みを,逐次的な意思決定の場で開発し,提唱する。
本稿では,それぞれの平衡の強さと弱さを文献に示す例を示す。
論文 参考訳（メタデータ） (2020-12-10T18:30:21Z) - Opponent Learning Awareness and Modelling in Multi-Objective Normal Form
Games [5.0238343960165155]
エージェントはシステム内の他のエージェントの振る舞いについて学ぶことが不可欠である。
本稿では,非線形ユーティリティとの多目的マルチエージェント相互作用に対する,このようなモデリングの効果について述べる。
論文 参考訳（メタデータ） (2020-11-14T12:35:32Z) - End-to-End Learning and Intervention in Games [60.41921763076017]
ゲームにおける学習と介入のための統一的なフレームワークを提供する。
明示的および暗黙的な区別に基づく2つのアプローチを提案する。
分析結果は、実世界のいくつかの問題を用いて検証される。
論文 参考訳（メタデータ） (2020-10-26T18:39:32Z) - On Information Asymmetry in Competitive Multi-Agent Reinforcement
Learning: Convergence and Optimality [78.76529463321374]
協調的でない2つのQ-ラーニングエージェントの相互作用システムについて検討する。
この情報非対称性は、集団学習の安定した結果をもたらす可能性があることを示す。
論文 参考訳（メタデータ） (2020-10-21T11:19:53Z) - Importance Weighted Policy Learning and Adaptation [89.46467771037054]
政治外学習の最近の進歩の上に構築された,概念的にシンプルで,汎用的で,モジュール的な補完的アプローチについて検討する。
このフレームワークは確率論的推論文学のアイデアにインスパイアされ、堅牢な非政治学習と事前の行動を組み合わせる。
提案手法は,メタ強化学習ベースラインと比較して,ホールドアウトタスクにおける競合適応性能を実現し,複雑なスパース・リワードシナリオにスケールすることができる。
論文 参考訳（メタデータ） (2020-09-10T14:16:58Z)
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。