F:
Hur kan begreppet jämvikt informera maskininlärningsprojekt?
A:I allmänhet kommer en jämvikt att informera maskininlärning genom att försöka stabilisera maskininlärningsmiljöer och skapa resultat med en kompatibel blandning av deterministiska och probabilistiska komponenter.
Experter beskriver en "jämvikt" som en situation där rationella aktörer i ett maskininlärningssystem når enighet om strategiska åtgärder - i synnerhet innebär Nash-jämvikten i spelteori två eller flera av dessa rationella aktörer som konsoliderar strategier genom att erkänna att ingen spelare drar nytta av ändra en viss strategi om de andra spelarna inte ändrar sin.
| Gratis nedladdning: Machine Learning and Why It Matters |
En särskilt populär och enkel demonstration av Nash-jämvikt innebär en enkel matris där två spelare vardera väljer ett binärt resultat.
Ovanstående är ett ganska tekniskt sätt att beskriva jämvikt och hur det fungerar. Ett mycket mer informellt sätt att illustrera begreppet jämvikt, särskilt exemplet ovan med två rationella aktörer som var och en har binärt val, är att tänka på vad du kan kalla "gå mot varandra i gymnasiet".
Anta att två personer går i olika riktningar längs en gymnasium (eller någon annan typ av område), som bara har plats för två personer breddvis. De två öppna vägarna är de binära resultaten. Om de två rationella aktörerna väljer olika binära resultat som inte strider mot varandra, kommer de att gå förbi varandra och säga hej. Om de väljer två motstridiga binära resultat - går de i samma utrymme och ett av dem kommer att behöva ge.
I exemplet ovan, om de två rationella aktörerna väljer de två kompatibla och icke-motstridiga resultaten, är det allmänna samförståndet att ingen av dem vinner genom att ändra sin strategi - i detta fall sina vägbeskrivningar - om den andra personen inte ändrar sin.
Ovanstående utgör en jämvikt som kan modelleras i varje given maskininlärningskonstruktion. Med detta enkla exempel kommer resultatet alltid att vara de två rationella aktörerna som samarbetar, eller med andra ord, två personer som går förbi varandra.
Det motsatta kan kallas ett "ojämlikhet" - om de två rationella aktörerna väljer motstridiga resultat, som nämnts, kommer en av dem att behöva ge. Men ML-programmet som modellerar detta kan kastas i en oändlig slinga om båda beslutar att ge efter - ungefär som två personer att flytta för att försöka rymma varandra och fortfarande fortsätta gå mot kollision.
Jämvikt som ovanstående kommer vanligtvis att användas i maskininlärning för att skapa konsensus och stabilisera modeller. Ingenjörer och utvecklare letar efter de scenarier och situationer som drar nytta av jämvikt och arbetar för att förändra eller hantera de som inte gör det. När man tittar på exempel i verkliga världen som motsvarar ML-jämvikt är det lätt att se hur denna typ av analys i maskininlärningssystem är unikt lärorikt för att ta reda på hur man modellerar mänskligt beteende genom att skapa rationella aktörer och agenter. Det är bara ett utmärkt exempel på hur en jämvikt kan användas för att göra framsteg i tillämpningen av maskininlärningssystem.
