Q:
Bagaimana mungkin konsep keseimbangan memaklumkan projek pembelajaran mesin?
A:Secara amnya, keseimbangan akan memaklumkan pembelajaran mesin dengan berusaha menstabilkan persekitaran pembelajaran mesin dan menghasilkan hasil dengan campuran komponen deterministik dan probabilistik yang serasi.
Pakar-pakar menggambarkan "keseimbangan" sebagai situasi di mana pelakon rasional dalam sistem pembelajaran mesin mencapai kesepakatan mengenai tindakan strategik - khususnya, keseimbangan Nash dalam teori permainan melibatkan dua atau lebih pelaku rasional ini menyatukan strategi dengan mengenali bahawa tidak ada manfaat pemain oleh mengubah strategi tertentu jika pemain lain tidak mengubah mereka.
| Muat turun Percuma: Pembelajaran Mesin dan Mengapakah Ia Penting |
Satu demonstrasi kesamaan Nash yang sangat popular dan mudah melibatkan matriks mudah di mana dua pemain setiap memilih hasil binari.
Di atas adalah cara yang agak teknikal untuk menggambarkan keseimbangan dan bagaimana ia berfungsi. Satu cara yang lebih tidak formal untuk menggambarkan konsep keseimbangan, terutamanya contoh di atas dua pelakon rasional yang masing-masing mempunyai pilihan binari, adalah untuk memikirkan tentang apa yang anda boleh panggil senario "berjalan di antara satu sama lain dalam lorong sekolah tinggi".
Katakan dua orang berjalan kaki ke arah yang berbeza ke lorong sekolah tinggi (atau kawasan lain), yang hanya mempunyai ruang untuk dua orang lebar lebar. Dua laluan terbuka adalah hasil binari. Jika kedua-dua pelaku rasional memilih hasil binari yang berbeza yang tidak bertentangan dengan satu sama lain, mereka akan lulus satu sama lain dan menyapa halo. Jika mereka memilih dua hasil binari yang bercanggah - mereka berjalan di ruang yang sama, dan salah seorang daripada mereka perlu menghasilkan.
Dalam contoh di atas, jika kedua-dua pelakon rasional memilih dua hasil yang serasi dan tidak bercanggah, konsensus umum ialah tidak ada satu keuntungan dengan mengubah strategi mereka - dalam hal ini arahan berjalan mereka - jika orang lain tidak mengubah mereka.
Di atas merupakan keseimbangan yang boleh dimodelkan dalam mana-mana mesin pembelajaran yang dibina. Memandangkan contoh mudah ini, hasilnya akan selalu menjadi dua pelakon rasional yang bekerjasama, atau dengan kata lain, dua orang berjalan di antara satu sama lain.
Sebaliknya boleh dipanggil "disequilibrium" - jika kedua-dua pelakon rasional memilih hasil yang bercanggah, seperti yang disebutkan, salah seorang daripada mereka perlu menghasilkan. Walau bagaimanapun, pemodelan program ML ini boleh dibuang ke gelung tanpa batas jika kedua-duanya memutuskan untuk menghasilkan - sama seperti dua orang untuk bergerak untuk menampung antara satu sama lain dan masih terus berjalan ke arah perlanggaran.
Equilibrium seperti yang satu di atas biasanya akan digunakan dalam pembelajaran mesin untuk membuat konsensus dan menstabilkan model. Jurutera dan pemaju akan mencari senario dan situasi yang mendapat faedah dari equilibrium, dan bekerja untuk menukar atau mengendalikan mereka yang tidak. Melihat contoh dunia sebenar yang sesuai dengan kesamaan ML, mudah untuk melihat bagaimana analisis jenis ini dalam sistem pembelajaran mesin secara unik mengajar untuk memikirkan cara untuk memodelkan perilaku manusia dengan mencipta pelaku dan agen yang rasional. Itulah satu contoh yang sangat baik tentang bagaimana keseimbangan dapat digunakan untuk membuat kemajuan dalam penerapan sistem pembelajaran mesin.
