D:
In che modo il concetto di equilibrio può informare i progetti di apprendimento automatico?
UN:In generale, un equilibrio informerà l'apprendimento automatico cercando di stabilizzare gli ambienti di apprendimento automatico e creare risultati con un mix compatibile di componenti deterministici e probabilistici.
Gli esperti descrivono un "equilibrio" come una situazione in cui gli attori razionali in un sistema di apprendimento automatico raggiungono un consenso sull'azione strategica - in particolare, l'equilibrio di Nash nella teoria dei giochi coinvolge due o più di questi attori razionali consolidando le strategie riconoscendo che nessun giocatore beneficia di cambiare una particolare strategia se gli altri giocatori non cambiano la loro.
| Download gratuito: Machine Learning e perché è importante |
Una dimostrazione particolarmente popolare e semplice dell'equilibrio di Nash comporta una matrice semplice in cui due giocatori scelgono ciascuno un risultato binario.
Quanto sopra è un modo abbastanza tecnico per descrivere l'equilibrio e come funziona. Un modo molto più informale per illustrare il concetto di equilibrio, in particolare l'esempio sopra di due attori razionali ciascuno con una scelta binaria, è quello di pensare a quello che potresti chiamare lo scenario "camminare l'uno verso l'altro nel corridoio della scuola superiore".
Supponiamo che due persone camminino in direzioni diverse lungo un corridoio del liceo (o qualsiasi altro tipo di area), che ha spazio solo per due persone in larghezza. I due percorsi aperti sono i risultati binari. Se i due attori razionali scelgono diversi risultati binari che non sono in conflitto tra loro, si passeranno l'un l'altro e saluteranno. Se scelgono due risultati binari contrastanti, camminano nello stesso spazio e uno di essi dovrà cedere.
Nell'esempio sopra, se i due attori razionali scelgono i due risultati compatibili e non conflittuali, il consenso generale è che nessuno guadagna cambiando la loro strategia - in questo caso le loro direzioni di marcia - se l'altra persona non cambia i loro.
Quanto sopra costituisce un equilibrio che può essere modellato in qualsiasi dato costrutto di apprendimento automatico. Dato questo semplice esempio, il risultato saranno sempre i due attori razionali che cooperano, o in altre parole, due persone che camminano l'una accanto all'altra.
Il contrario potrebbe essere definito un "disequilibrio" - se i due attori razionali scelgono risultati contrastanti, come detto, uno di loro dovrà cedere. Tuttavia, il programma ML che modella questo potrebbe essere gettato in un ciclo infinito se entrambi decidessero di cedere - proprio come due persone che si muovono per cercare di adattarsi l'un l'altro e continuano ancora a camminare verso la collisione.
Equilibri come quello sopra saranno generalmente usati nell'apprendimento automatico per creare consenso e stabilizzare i modelli. Ingegneri e sviluppatori cercheranno quegli scenari e situazioni che beneficiano di equilibri e lavoreranno per cambiare o gestire quelli che non lo fanno. Osservando esempi del mondo reale che corrispondono agli equilibri ML, è facile vedere come questo tipo di analisi nel sistema di apprendimento automatico sia unicamente istruttivo per capire come modellare il comportamento umano creando attori e agenti razionali. Questo è solo un eccellente esempio di come un equilibrio può essere usato per fare progressi nell'applicazione dei sistemi di apprendimento automatico.
