K:
Hogyan informálhatja az egyensúly fogalma a gépi tanulási projekteket?
A:Általában véve egy egyensúlyi információ segíti a gépi tanulást azáltal, hogy stabilizálja a gépi tanulási környezeteket, és eredményeket hoz létre a determinisztikus és valószínűségi összetevők kompatibilis keverékével.
A szakértők az „egyensúlyt” olyan helyzetnek tekintik, amikor a gépi tanulási rendszer ésszerű szereplői konszenzusra kerülnek a stratégiai fellépés terén - különösen a játékelmélet Nash-egyensúlya ezen racionális szereplők közül kettőt vagy többet foglal magában a stratégiák konszolidációjában, felismerve, hogy egyik játékos sem részesül előnyökben. egy adott stratégia megváltoztatása, ha a többi játékos nem változtatja meg a sajátját.
| Ingyenes letöltés: Gépi tanulás és miért számít? |
A Nash egyensúly különösen népszerű és egyszerű bemutatása egy egyszerű mátrixot foglal magában, ahol két játékos mindkettő bináris eredményt választ.
A fentiek egy nagyon technikai módszer az egyensúly és működésének leírására. Sokkal informálisabb módszer az egyensúly fogalmának szemléltetésére, különös tekintettel a két olyan racionális szereplő fent említett példájára, amelyek mindegyike bináris választással rendelkezik, hogy gondolkozzon az úgynevezett „egymás felé járás a középiskolai folyosón” forgatókönyv szerint.
Tegyük fel, hogy két ember sétál különböző irányokba egy középiskolai folyosón (vagy bármilyen más típusú területen), ahol csak két ember számára van hely szélességben. A két nyitott út a bináris eredmény. Ha a két racionális szereplő különféle bináris kimeneteket választ, amelyek nem ütköznek egymással, akkor elhaladnak egymás mellett, és köszönetüket mondják. Ha két egymásnak ellentmondó bináris eredményt választanak - ugyanabban a térben járnak, és egyiküknek eredményt kell adnia.
A fenti példában, ha a két ésszerű szereplő választja a két összeegyeztethetõ és nem ellentmondó eredményt, az az általános egyetértés, hogy egyikük sem nyer el stratégiájának - ebben az esetben a gyaloglás irányának - megváltoztatásával, ha a másik személy nem változtatja meg a sajátját.
A fentiek egyensúlyt képeznek, amely modellezhető bármely adott gépi tanulási konstrukcióban. Ezt az egyszerű példát tekintve, az eredmény mindig az lesz, ha a két ésszerű szereplő együttműködik, vagyis más szóval két ember jár el egymás mellett.
Az ellenkezőjét "egyensúlytalanságnak" lehetne nevezni - ha a két ésszerű szereplő ellentmondásos eredményeket választ, mint már említettük, akkor egyiküknek eredményt kell adnia. Az ezt modellező ML-program azonban végtelen hurokba dobható, ha mindkettő úgy dönt, hogy eredményt hoz - hasonlóan, mintha két ember mozogna, hogy megpróbálja beilleszkedni egymásba, és továbbra is az ütközés felé halad.
Az egyensúlyokat, mint például a fenti, általában a gépi tanulásban fogják használni konszenzus megteremtésére és a modellek stabilizálására. A mérnökök és a fejlesztők megvizsgálják azokat a forgatókönyveket és helyzeteket, amelyekben előnyös az egyensúly, és azon dolgoznak, hogy megváltoztassák vagy kezeljék azokat, amelyek nem élnek meg. Az ML egyensúlyának megfelelő valós példákat tekintve könnyű belátni, hogy az ilyen típusú elemzés a gépi tanulási rendszerben egyedülállóan tanulságos ahhoz, hogy kitaláljuk, hogyan lehet modellezni az emberi viselkedést ésszerű szereplők és ügynökök létrehozásával. Ez csak egy kiváló példa arra, hogyan lehet az egyensúlyt előmozdítani a gépi tanulási rendszerek alkalmazásában.
