PulseAugur
中
实时 09:49:28
English(EN) Learning under Opponent Unawareness in Linear-Quadratic Stochastic Games

人工智能在策略博弈中的学习收敛于纳什均衡

作者 PulseAugur 编辑部 · [1 个来源] ·

本文探讨了在玩家对对手信息有限的线性二次随机博弈中的学习动态。研究人员开发了一种 $\epsilon$-greedy 迭代最小二乘算法，即使在没有完全了解系统参数的情况下也能收敛到纳什均衡。该研究将其应用于动态库诺竞争，发现有限的信息和较高的价格粘性会降低公司利润和市场福利，尽管披露总产量可以加速收敛并减轻这些损失。 AI

影响 这项研究可能为开发能够在复杂、竞争性环境中进行战略决策的人工智能代理提供信息。

排序理由 学术论文，详细介绍了一种用于随机博弈的新学习算法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

人工智能在策略博弈中的学习收敛于纳什均衡

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Dantong Chu, Xuefeng Gao, Yufei Zhang ·

    线性二次随机博弈中的对手无意识学习

    arXiv:2608.08268v1 Announce Type: cross Abstract: As firms increasingly deploy machine learning for strategic decision-making, understanding algorithmic interactions has become central to operations research and economics. This paper studies learning in infinite-horizon, nonzero-…

相关实体

相关话题