محمدسجاد مصاحب
پیش بینی رفتار استراتژیک افراددربازی های فرم ساده بااستفاده ازیادگیری عمیق
- مقطع تحصیلی
- کارشناسی ارشد
- تاریخ دفاع
- ۲۹ شهریور ۱۴۰۱
- ساعت دفاع
- چکیده
-
پیشبینی رفتار شرکت کنندگان انسانی در شرایط راهبردی مسئله مهمی برای برنامه های کاربردی است که برای طراحی مکانیسمها یا تخصیص منابع به استدلال نظریه بازی متکی هستند. بیشتر پژوهشهای موجود یا فرض میکنند که شرکتکنندگان کاملا منطقی هستند، یا سعی در مدلسازی مستقیم فرایندهای شناختی هر شرکتکننده بر اساس بینشهای روانشناسی شناختی و اقتصاد تجربی دارند. در این پژوهش، یک گزینه جایگزین، یک رویکرد مبتنی بر یادگیری عمیق ارائه می- دهیم که بدون نیاز به چنین دانش تخصصی، به طور خودکار پیشبینی مدل شناختی را انجام دهد. ما معماری جدیدی را معرفی میکنیم که یک شبکه واحد امکان تعمیم در بین بازیهای فرم ساده با تعداد اعمال مختلف را داراست. نشان میدهیم که معماری مورد نظر موفق ترین مدلهای موجود را پوشش میدهد و عملکرد آن به طور قابل توجهی نسبت به بهترین مدل قبلی، که بر اساس ویژگی های متخصص ساخت درست شده است، بهبود مییابد.
- Abstract
-
Predicting the behavior of human participants in strategic settings is an important problem for applications that rely on game theoretic reasoning to design mechanisms or allocate resources. Most existing work either assumes that participants are perfectly rational, or attempts to directly model each participant’s cognitive processes based on insights from cognitive psychology and experimental economics. In this work, we present an alternative, a deep learning-based approach that automatically performs cognitive modeling without relying on such expert knowledge. We introduce a novel architecture that allows a single network to generalize across normal form games with varying numbers of actions. We show that the architecture generalists the most successful existing models and that its performance significantly improves upon that of the previous state of the art, which relies on expert-constructed features.