[논문 리뷰] Learning Cooperative Games

Maria-Florina Balcan, Ariel D. Procaccia외 1명|arXiv (Cornell University)|2015. 04. 30.

Machine Learning and Algorithms참고 문헌 30인용 수 21

한 줄 요약

이 논문은 협력 게임을 위한 PAC 학습 프레임워크를 제안하며, 안정적인 지급 분배가 다항수의 무작위 표본에서 효율적으로 학습될 수 있음을 보여준다. 네트워크 플로우, 임계 작업, 유도된 부분그래프 게임과 같은 게임들이 효율적으로 PAC-학습 가능하다는 것을 입증하고, 학습 가능성과 코어 안정성 간의 연결고리를 설정함으로써 최소한의 표본과 계산 비용으로 안정성이 높은 결과를 도출할 수 있다.

ABSTRACT

This paper explores a PAC (probably approximately correct) learning model in cooperative games. Specifically, we are given $m$ random samples of coalitions and their values, taken from some unknown cooperative game; can we predict the values of unseen coalitions? We study the PAC learnability of several well-known classes of cooperative games, such as network flow games, threshold task games, and induced subgraph games. We also establish a novel connection between PAC learnability and core stability: for games that are efficiently learnable, it is possible to find payoff divisions that are likely to be stable using a polynomial number of samples.

연구 동기 및 목표

• 협력 게임 이론에서 협력의 가치를 완전히 알고 있어야만 가능한 핵과 같은 해결 개념을 위한 계산적 및 정보적 장벽을 해결하기 위해.
• 협력 게임이 다항수의 무작위 표본으로부터 협력 집단과 그 가치를 얻는 데서 효율적으로 학습될 수 있는지 탐색하기 위해.
• PAC 학습 가능성과 코어 안정성 간의 연결고리를 설정하여, 적은 수의 표본으로 높은 확률로 안정적인 지급 분배를 찾을 수 있음을 보여주기 위해.
• PAC 모델 하에서 효율적으로 PAC-학습 가능한 잘 알려진 협력 게임의 클래스를 특정하기 위해.
• 특히 안정성과 지급 배분의 타당성에 중점을 두어, 학습 이론적 통찰을 협력적 해결 개념에 확장하기 위해.

제안 방법

• 모르는 특성 함수 v: 2^N → R 를 m개의 i.i.d. 표본(협력 집단과 그 가치)으로부터 PAC 학습 모델을 적용하기 위해.
• 분포 D 에서 추출된 협력 집단이 이탈을 시도할 가능성이 높은 'PAC 안정화 가능성'이라는 안정성의 유연한 개념을 도입하기 위해.
• 미래의 이탈 시도에 대해 높은 확률로 안정적인 타당한 지급 분배를 출력하는 다항 시간 알고리즘을 설계하기 위해.
• 특정 게임 클래스(예: 네트워크 플로우, 임계 작업, 유도된 부분그래프)의 학습 문제를 구조적 변환을 통해 알려진 학습 가능한 문제(예: 선형 함수, XOS, DNF 공식)로 환원하기 위해.
• 기존의 난이도 결과(예: DNF 학습, 초평면의 교차)에서의 환원을 이용하여 k-벡터 WVG 및 MC-net과 같은 클래스의 비효율성(불가능성)을 보여주기 위해.
• 플레이어 기술이 알려져 있을 경우, 과제 요구사항이 알려져 있지 않더라도 협력 기술 게임이 효율적으로 PAC-학습 가능하다는 것을 증명하기 위해.

실험 결과

연구 질문

• RQ1 협력 게임은 협력 집단과 그 가치의 다항수의 무작위 표본에서 효율적으로 학습될 수 있는가?
• RQ2 PAC 학습 가능성과 코어 내 지급 분배의 안정성 사이에 연결고리가 존재하는가?
• RQ3 PAC 모델 하에서 효율적으로 PAC-학습 가능한 잘 알려진 협력 게임의 클래스는 무엇인가?
• RQ4 코어가 비어 있을 경우에도, 다항수의 표본만으로 안정적이고 타당한 지급 분배를 달성할 수 있는가?
• RQ5 특히 MC-net과 k-벡터 가중 투표 게임과 같은 클래스에 대해, 협력 게임에서의 PAC 학습의 계산적 한계는 무엇인가?

주요 결과

• 네트워크 플로우 게임은 경로 질의를 통해 효율적으로 PAC-학습 가능하지만, 이러한 질의 없이 일반적으로는 그렇지 않다.
• 임계 작업 게임과 유도된 부분그래프 게임은 효율적으로 PAC-학습 가능하다.
• k-벡터 가중 투표 게임은 P = NP 가 성립하지 않는 한 효율적으로 PAC-학습 가능하지 않다. 이는 k개의 초평면의 교차를 학습하는 것이 NP-난이도이기 때문이다.
• MC-net은 효율적으로 PAC-학습 가능하지 않다. MC-net 학습은 DNF 공식 학습으로 환원되며, 이는 비효율적이다.
• 플레이어 기술이 알려져 있을 경우, 과제 요구사항이 알려져 있지 않더라도 협력 기술 게임은 효율적으로 PAC-학습 가능하다.
• 이 논문은 모든 협력 게임이 PAC 안정화 가능하다는 것을 입증한다: 높은 확률로 다항수의 표본과 다항 시간 내에 안정적이고 타당한 지급 분배를 계산할 수 있다.