Q:
Как концепцията за равновесие може да информира проектите за машинно обучение?
A:Като цяло, равновесието ще информира машинното обучение, като се стреми да стабилизира среда за машинно обучение и да създаде резултати със съвместима комбинация от детерминистични и вероятностни компоненти.
Експертите описват "равновесие" като ситуация, при която рационалните участници в системата за машинно обучение постигат консенсус относно стратегическите действия - по-специално равновесието на Неш в теорията на игрите включва два или повече от тези рационални участници, консолидиращи стратегии, като признават, че никой играч няма полза от промяна на определена стратегия, ако останалите играчи не променят своята.
| Безплатно изтегляне: Машинното обучение и защо има значение |
Особено популярната и проста демонстрация на равновесието на Наш включва проста матрица, при която двама играчи избират двоичен резултат.
Горното е доста технически начин да се опише равновесието и как работи. Много по-неформален начин да се илюстрира концепцията за равновесие, особено горният пример за двама рационални участници, всеки от които има бинарен избор, е да помислите за това, което бихте могли да наречете сценарий „вървене един към друг в коридора на средното училище“.
Да предположим, че двама души се разхождат в различни посоки по коридора на гимназията (или всеки друг тип зона), който има място само за двама души по ширина. Двата отворени пътя са бинарните резултати. Ако двамата рационални участници избират различни бинарни резултати, които не влизат в конфликт помежду си, те ще минат един до друг и ще се поздравят. Ако избират два конфликтни бинарни резултата - те вървят в едно и също пространство и един от тях ще трябва да отстъпи.
В горния пример, ако двамата рационални участници избират двата съвместими и неконфликтни резултата, общият консенсус е, че нито един не печели, променяйки стратегията си - в случая направленията си за ходене - ако другият човек не промени своята.
Горното представлява равновесие, което може да се моделира във всяка конструкция за машинно обучение. Като се има предвид този прост пример, резултатът винаги ще са двамата рационални участници, които си сътрудничат, или с други думи, двама души, които минават един срещу друг.
Обратното би могло да се нарече „неравновесие“ - ако двамата рационални участници избират противоречиви резултати, както беше споменато, един от тях ще трябва да даде резултати. Въпреки това, ML програмата, която моделира това, може да бъде хвърлена в безкраен цикъл, ако и двамата решат да отстъпят - много като двама души да се движат, за да се опитат да се настанят един друг и все още продължават да вървят към сблъсък.
Равновесие, подобно на това по-горе, обикновено ще се използва в машинното обучение за създаване на консенсус и стабилизиране на модели. Инженерите и разработчиците ще търсят онези сценарии и ситуации, които се възползват от равновесието, и ще работят за промяна или справяне с тези, които не го правят. Разглеждайки примери от реалния свят, които съответстват на равновесията на ML, е лесно да се види как този вид анализ в системата на машинното обучение е уникално поучителен за намиране как да се моделира човешкото поведение чрез създаване на рационални участници и агенти. Това е само един отличен пример за това как може да се използва равновесие за постигане на напредък в прилагането на системи за машинно обучение.
