Q:
Làm thế nào khái niệm cân bằng thông báo cho các dự án máy học?
A:Nói chung, trạng thái cân bằng sẽ thông báo cho việc học máy bằng cách tìm cách ổn định môi trường học máy và tạo ra kết quả với sự pha trộn tương thích giữa các thành phần xác định và xác suất.
Các chuyên gia mô tả "trạng thái cân bằng" là tình huống các tác nhân hợp lý trong hệ thống máy học đạt được sự đồng thuận về hành động chiến lược - đặc biệt, trạng thái cân bằng Nash trong lý thuyết trò chơi liên quan đến hai hoặc nhiều diễn viên hợp lý này củng cố chiến lược bằng cách nhận ra rằng không có người chơi nào có lợi bằng cách chiến lược thay đổi một chiến lược cụ thể nếu những người chơi khác không thay đổi chiến lược của họ.
| Tải xuống miễn phí: Machine Learning và Why It Matters |
Một minh chứng đặc biệt phổ biến và đơn giản về trạng thái cân bằng Nash liên quan đến một ma trận đơn giản trong đó hai người chơi chọn một kết quả nhị phân.
Trên đây là một cách khá kỹ thuật để mô tả trạng thái cân bằng và cách thức hoạt động. Một cách không chính thức hơn nhiều để minh họa khái niệm cân bằng, đặc biệt là ví dụ trên về hai diễn viên hợp lý mỗi người có lựa chọn nhị phân, là suy nghĩ về những gì bạn có thể gọi là kịch bản "đi về phía nhau trong hành lang trường trung học".
Giả sử hai người đi bộ theo các hướng khác nhau xuống hành lang trường trung học (hoặc bất kỳ loại khu vực nào khác), chỉ có chỗ cho hai người chiều rộng. Hai con đường mở là kết quả nhị phân. Nếu hai diễn viên hợp lý chọn các kết quả nhị phân khác nhau không xung đột với nhau, họ sẽ lướt qua nhau và nói xin chào. Nếu họ chọn hai kết quả nhị phân mâu thuẫn - họ đang đi trong cùng một không gian và một trong số họ sẽ cần phải nhượng bộ.
Trong ví dụ trên, nếu hai tác nhân hợp lý chọn hai kết quả tương thích và không xung đột, thì sự đồng thuận chung là không ai đạt được bằng cách thay đổi chiến lược của họ - trong trường hợp này là hướng đi của họ - nếu người kia không thay đổi hướng đi của họ.
Ở trên tạo thành một trạng thái cân bằng có thể được mô hình hóa trong bất kỳ cấu trúc máy học cụ thể nào. Cho ví dụ đơn giản này, kết quả sẽ luôn là hai diễn viên hợp lý hợp tác, hay nói cách khác, hai người đi ngang qua nhau.
Điều ngược lại có thể được gọi là "sự mất cân bằng" - nếu hai diễn viên hợp lý chọn kết quả mâu thuẫn, như đã đề cập, một trong số họ sẽ phải nhượng bộ. Tuy nhiên, mô hình chương trình ML này có thể bị ném vào một vòng lặp vô hạn nếu cả hai quyết định sinh ra - giống như hai người di chuyển để cố gắng thích nghi lẫn nhau và vẫn tiếp tục đi về phía va chạm.
Equilibriums như một ở trên nói chung sẽ được sử dụng trong học máy để tạo ra sự đồng thuận và ổn định mô hình. Các kỹ sư và nhà phát triển sẽ tìm kiếm những kịch bản và tình huống có lợi từ trạng thái cân bằng và làm việc để thay đổi hoặc xử lý những tình huống không có. Nhìn vào các ví dụ trong thế giới thực tương ứng với các trạng thái cân bằng ML, thật dễ dàng để thấy cách phân tích này trong hệ thống máy học được hướng dẫn độc đáo để tìm ra cách mô hình hóa hành vi của con người bằng cách tạo ra các tác nhân và tác nhân hợp lý. Đó chỉ là một ví dụ tuyệt vời về cách cân bằng có thể được sử dụng để đạt được những tiến bộ trong ứng dụng hệ thống máy học.
