MARC

 008250224s2024        us  ||||||||||||||c||eng  d
■001000017162870
■00520250211152106
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382741215
■035    ▼a(MiAaPQ)AAI31349099
■035    ▼a(MiAaPQ)umichrackham005463
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aLi,  Zun.
■24510▼aArtificial  Intelligence  Algorithms  for  Large  Economic  and  Computer  Games.
■260    ▼a[S.l.]▼bUniversity  of  Michigan.  ▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a194  p.
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Wellman,  Michael  P.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2024.
■520    ▼aContemporary  artificial  intelligence  algorithms  (search,  graphical  models,  machine  learning,  etc.)  have  achieved  great  success  in  a  variety  of  practical  domains.  This  thesis  particularly  considers  their  application  to  the  equilibrium  analysis  of  multiagent  systems.  Specifically,  I  study  the  following  subject:  how  a  structured  combination  of  modern  artificial  intelligence  methods  facilitates  strategic  reasoning  focusing  on  equilibrium  concepts  on  multiagent  systems  of  diverse  domains,  especially  those  without  tractable  and  analytical  description.After  laying  out  the  technical  foundations,  I  present  four  research  works  to  illustrate  the  theme.  The  first  three  follow  the  chronological  order  in  which  most  game  theory  textbooks  are  organized:  the  most  basic  normal-form  games  are  first  studied,  then  games  with  incomplete  information,  and  then  dynamical  games  with  imperfect  information.  The  difference  here,  though,  is  that  my  approaches  are  more  from  a  computational  perspective  using  practical  AI  methods,  instead  of  deriving  the  exact  mathematical  solutions.  First,  I  demonstrate  how  supervised  learning  and  unsupervised  learning  techniques  can  be  utilized  under  a  model-based  structure  learning  framework  to  facilitate  equilibrium  computation  in  many-player  normal-form  games.  This  method  can  scale  to  games  with  hundreds  of  players.Second,  I  show  how  a  particular  class  of  policy  search  algorithms  being  well-studied  in  deep  reinforcement  learning  can  be  employed  in  generic  frameworks  to  solve  many-player  games  of  incomplete  information.  The  pure  equilibria  computation  method  can  recover  classic  analytical  solutions  in  simple  auction  games.  And  both  the  pure  and  mixed  equilibria  methods  scale  to  games  with  high-dimensional  type  space  and  action  space.  Third,  I  develop  a  general-purpose  multi-agent  algorithm  that  combines  an  AlphaZero-styled  tree-search  and  a  population-based  RL  training  loop,  for  general-sum  extensive-form  games  with  large  imperfect  information.  Using  this  algorithm,  a  game-playing  bot  is  built  and  can  achieve  comparable  social  welfare  with  humans  as  when  humans  trade  with  themselves  in  a  class  of  negotiation  game.  In  the  last  part,  instead  of  focusing  on  solving  a  particular  game,  I  consider  the  problem  of  evaluating  different  interactive  AI  algorithms  by  using  a  meta-game  analysis  framework.  A  variety  of  game-theoretic  properties  of  model-free,  model-based,  self-play,  and  population-based  multi-agent  reinforcement  learning  algorithms  are  uncovered.
■590    ▼aSchool  code:  0127.
■650  4▼aComputer  science.
■650  4▼aEngineering.
■653    ▼aComputational  game  theory
■653    ▼aMachine  learning
■653    ▼aDeep  reinforcement  learning
■653    ▼aGame-playing  bot
■690    ▼a0800
■690    ▼a0984
■690    ▼a0537
■71020▼aUniversity  of  Michigan▼bComputer  Science  &  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162870▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서