Q:
Como o conceito de equilíbrio pode informar os projetos de aprendizado de máquina?
UMA:Em geral, um equilíbrio informará o aprendizado de máquina, buscando estabilizar os ambientes de aprendizado de máquina e criar resultados com uma combinação compatível de componentes determinísticos e probabilísticos.
Especialistas descrevem um "equilíbrio" como uma situação em que atores racionais em um sistema de aprendizado de máquina chegam a um consenso sobre ação estratégica - em particular, o equilíbrio de Nash na teoria dos jogos envolve dois ou mais desses atores racionais que consolidam estratégias, reconhecendo que nenhum jogador se beneficia com isso. mudar uma estratégia em particular se os outros jogadores não a mudarem.
| Download grátis: Machine Learning e por que é importante |
Uma demonstração particularmente popular e simples do equilíbrio de Nash envolve uma matriz simples, na qual dois jogadores escolhem um resultado binário.
A descrição acima é uma maneira bastante técnica de descrever o equilíbrio e como ele funciona. Uma maneira muito mais informal de ilustrar o conceito de equilíbrio, particularmente o exemplo acima de dois atores racionais, cada um com escolha binária, é pensar no que você poderia chamar de cenário de "caminhar um para o outro no corredor do ensino médio".
Suponha que duas pessoas andem em direções diferentes por um corredor do ensino médio (ou qualquer outro tipo de área), que só tenha espaço para duas pessoas em largura. Os dois caminhos abertos são os resultados binários. Se os dois atores racionais escolherem resultados binários diferentes que não entrem em conflito, passarão um pelo outro e dirão olá. Se eles escolherem dois resultados binários conflitantes - eles estão andando no mesmo espaço e um deles precisará ceder.
No exemplo acima, se os dois atores racionais escolherem os dois resultados compatíveis e não conflitantes, o consenso geral é que nenhum deles ganha mudando sua estratégia - nesse caso, suas direções a pé - se a outra pessoa não mudar a deles.
O exposto acima constitui um equilíbrio que pode ser modelado em qualquer construto de aprendizado de máquina. Dado este exemplo simples, o resultado será sempre os dois atores racionais que cooperam, ou seja, duas pessoas passando uma pela outra.
O oposto pode ser chamado de "desequilíbrio" - se os dois atores racionais escolherem resultados conflitantes, como mencionado, um deles terá que ceder. No entanto, o programa de ML modelando isso pode ser jogado em um loop infinito se ambos decidirem ceder - bem como duas pessoas se moverem para tentar se acomodar e ainda continuarem caminhando em direção à colisão.
Equilíbrios como o descrito acima serão geralmente usados no aprendizado de máquina para criar consenso e estabilizar modelos. Engenheiros e desenvolvedores procurarão aqueles cenários e situações que se beneficiam de equilíbrios e trabalharão para mudar ou lidar com aqueles que não o fazem. Observando exemplos do mundo real que correspondem a equilíbrios de ML, é fácil ver como esse tipo de análise no sistema de aprendizado de máquina é exclusivamente instrutivo para descobrir como modelar o comportamento humano criando agentes e agentes racionais. Esse é apenas um excelente exemplo de como um equilíbrio pode ser usado para avançar na aplicação de sistemas de aprendizado de máquina.
