抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
政策空間応答Oracle法(PSRO)は,2層ゼロ和ゲームにおけるNash均衡を学習する一般的解決策を提供するが,2つの欠点に悩まされる。1)シミュレーションによる一貫したメタゲーム評価の必要性による計算非効率性,2)あらゆる時代における固定メタ戦略に対する最良の応答の発見による探索非効率性。本研究では,上記2段階の効率を大きく改善する効率的なPSRO(EPSRO)を提案した。開発の中心は,無制限(URR)ゲームにおける非レグレット最適化の新しく導入したサブルーチンである。各時代のURRを解くことによって,1つは現在のゲームを評価でき,メタゲームシミュレーションを必要とせずに1つのフォワードパスで最良の応答を計算することができる。理論的には,EPSROの解法手順が,既存のPSRO方法のどれも無い,利用可能性に関する単調な改良を提供することを証明した。さらに,著者らは,非レグレット最適化がO(sqrt{Tlog{[(k ̄2+k)/2]})のレグレット境界を持つことを証明し,ここでkは制約された政策集合のサイズである。最も重要なことに,EPSROの望ましい特性は,並列化可能であり,これは行動多様性を誘導する政策空間における高効率探査を可能にすることである。3クラスのゲームでEPSROを試験し,KuhnとLeduc Pokerゲームに関する既存のPSRO法と同じ利用性を維持しながら,壁時間と10xデータ効率における50x高速化を報告した。【JST・京大機械翻訳】