Q:
Bagaimana konsep ekuilibrium dapat menginformasikan proyek pembelajaran mesin?
SEBUAH:Secara umum, keseimbangan akan menginformasikan pembelajaran mesin dengan berusaha menstabilkan lingkungan pembelajaran mesin dan menciptakan hasil dengan campuran komponen deterministik dan probabilistik yang kompatibel.
Para ahli menggambarkan "keseimbangan" sebagai situasi di mana para aktor rasional dalam sistem pembelajaran mesin mencapai konsensus pada aksi strategis - khususnya, kesetimbangan Nash dalam teori permainan melibatkan dua atau lebih aktor rasional ini dengan mengkonsolidasikan strategi dengan mengakui bahwa tidak ada pemain yang diuntungkan oleh mengubah strategi tertentu jika pemain lain tidak mengubah strategi mereka.
| Unduh Gratis: Pembelajaran Mesin dan Mengapa Itu Penting |
Peragaan keseimbangan Nash yang sangat populer dan sederhana melibatkan matriks sederhana di mana dua pemain masing-masing memilih hasil biner.
Di atas adalah cara yang cukup teknis untuk menggambarkan keseimbangan dan cara kerjanya. Cara yang jauh lebih informal untuk menggambarkan konsep keseimbangan, khususnya contoh di atas dari dua aktor rasional yang masing-masing memiliki pilihan biner, adalah dengan memikirkan apa yang Anda sebut skenario "berjalan menuju satu sama lain dalam lorong sekolah menengah".
Misalkan dua orang berjalan ke arah yang berbeda menyusuri lorong sekolah menengah (atau jenis area lainnya), yang hanya memiliki ruang untuk dua orang dengan lebar. Dua jalur terbuka adalah hasil biner. Jika dua aktor rasional memilih hasil biner yang berbeda yang tidak saling bertentangan, mereka akan melewati satu sama lain dan menyapa. Jika mereka memilih dua hasil biner yang saling bertentangan - mereka berjalan di ruang yang sama, dan salah satunya harus menghasilkan.
Dalam contoh di atas, jika dua aktor rasional memilih dua hasil yang kompatibel dan tidak bertentangan, konsensus umum adalah bahwa tidak ada yang mendapat keuntungan dengan mengubah strategi mereka - dalam hal ini arahan berjalan mereka - jika orang lain tidak mengubah mereka.
Di atas merupakan keseimbangan yang dapat dimodelkan dalam setiap konstruksi pembelajaran mesin yang diberikan. Dengan contoh sederhana ini, hasilnya akan selalu menjadi dua aktor rasional yang bekerja sama, atau dengan kata lain, dua orang berjalan melewati satu sama lain.
Sebaliknya bisa disebut "disekuilibrium" - jika dua aktor rasional memilih hasil yang bertentangan, seperti yang disebutkan, salah satu dari mereka harus menyerah. Namun, pemodelan program ML ini dapat dilemparkan ke dalam loop tanpa batas jika keduanya memutuskan untuk menyerah - seperti dua orang yang bergerak untuk mencoba mengakomodasi satu sama lain dan masih terus berjalan menuju benturan.
Keseimbangan seperti yang di atas umumnya akan digunakan dalam pembelajaran mesin untuk membuat model konsensus dan menstabilkan. Insinyur dan pengembang akan mencari skenario dan situasi yang mendapat manfaat dari keseimbangan, dan bekerja untuk mengubah atau menangani yang tidak. Melihat contoh dunia nyata yang sesuai dengan kesetimbangan ML, mudah untuk melihat bagaimana analisis semacam ini dalam sistem pembelajaran mesin secara unik instruktif untuk mencari tahu bagaimana memodelkan perilaku manusia dengan menciptakan aktor dan agen yang rasional. Itu hanya satu contoh yang bagus tentang bagaimana keseimbangan dapat digunakan untuk membuat kemajuan dalam penerapan sistem pembelajaran mesin.
