Q:
Hoe kan het evenwichtsconcept machine learning-projecten beïnvloeden?
EEN:In het algemeen zal een evenwicht machine learning informeren door te proberen de machine learning-omgevingen te stabiliseren en resultaten te creëren met een compatibele mix van deterministische en probabilistische componenten.
Experts beschrijven een "evenwicht" als een situatie waarin rationele actoren in een machine learning-systeem een consensus bereiken over strategische actie - met name het Nash-evenwicht in speltheorie omvat twee of meer van deze rationele actoren die strategieën consolideren door te erkennen dat geen enkele speler baat heeft bij een bepaalde strategie veranderen als de andere spelers die van hen niet veranderen.
| Gratis download: machine learning en waarom het ertoe doet |
Een bijzonder populaire en eenvoudige demonstratie van Nash-evenwicht omvat een eenvoudige matrix waarin twee spelers elk een binaire uitkomst kiezen.
Het bovenstaande is een vrij technische manier om het evenwicht te beschrijven en hoe het werkt. Een veel informelere manier om het concept van het evenwicht te illustreren, met name het bovenstaande voorbeeld van twee rationele actoren die elk een binaire keuze hebben, is na te denken over wat je het 'naar elkaar toe lopen in de hal van de middelbare school' zou kunnen noemen.
Stel dat twee mensen in verschillende richtingen door een gang van een middelbare school lopen (of een ander type gebied), dat in de breedte slechts ruimte biedt aan twee personen. De twee open paden zijn de binaire uitkomsten. Als de twee rationele actoren verschillende binaire uitkomsten kiezen die niet met elkaar conflicteren, zullen ze elkaar passeren en hallo zeggen. Als ze twee tegenstrijdige binaire uitkomsten kiezen, lopen ze in dezelfde ruimte, en een van hen zal moeten toegeven.
In het bovenstaande voorbeeld, als de twee rationele actoren de twee compatibele en niet-conflicterende uitkomsten kiezen, is de algemene consensus dat geen van beide baat heeft bij het veranderen van hun strategie - in dit geval hun looprichtingen - als de andere persoon die van hen niet verandert.
Het bovenstaande vormt een evenwicht dat kan worden gemodelleerd in elk gegeven machine-leerconstructie. Gegeven dit eenvoudige voorbeeld, zullen de twee rationele actoren altijd samenwerken, of met andere woorden, twee mensen die langs elkaar lopen.
Het tegenovergestelde zou een "onevenwicht" kunnen worden genoemd - als de twee rationele actoren tegenstrijdige resultaten kiezen, zoals gezegd, zal een van hen moeten toegeven. De ML-modellering van dit programma kan echter in een oneindige lus worden gegooid als beide besluiten om op te geven - net als twee mensen om te bewegen om elkaar tegemoet te komen en nog steeds naar een botsing te blijven lopen.
Evenwichtsvormen zoals die hierboven worden meestal gebruikt bij machine learning om consensus te creëren en modellen te stabiliseren. Ingenieurs en ontwikkelaars zullen op zoek gaan naar die scenario's en situaties die gebaat zijn bij evenwicht, en werken eraan om die te veranderen of aan te pakken die dat niet doen. Kijkend naar voorbeelden uit de praktijk die overeenkomen met ML-evenwichten, is het gemakkelijk om te zien hoe dit soort analyse in machine learning-systeem uniek leerzaam is om uit te zoeken hoe menselijk gedrag kan worden gemodelleerd door rationele actoren en agenten te creëren. Dat is slechts een uitstekend voorbeeld van hoe een evenwicht kan worden gebruikt om vooruitgang te boeken bij de toepassing van machine learning-systemen.
