큐:
균형의 개념은 어떻게 머신 러닝 프로젝트에 영향을 줄 수 있습니까?
ㅏ:일반적으로 평형은 기계 학습 환경을 안정화시키고 결정 론적 요소와 확률 적 구성 요소의 호환 가능한 조합으로 결과를 창출함으로써 기계 학습에 정보를 제공합니다.
전문가들은 "평형"을 머신 러닝 시스템의 합리적 행위자가 전략적 행동에 대한 합의에 도달하는 상황으로 설명합니다. 특히 게임 이론의 내쉬 평형은 이러한 합리적 행위자 중 둘 이상이 전략을 통합하는 전략을 통합하는 것으로 간주됩니다. 다른 플레이어가 자신의 전략을 바꾸지 않으면 특정 전략을 바꾸는 것.
| 무료 다운로드 : 기계 학습 및 중요한 이유 |
내쉬 평형의 특히 대중적이고 간단한 데모는 두 명의 플레이어가 각각 이진 결과를 선택하는 간단한 행렬을 포함합니다.
위의 내용은 평형과 작동 방식을 설명하는 매우 기술적 인 방법입니다. 평형의 개념을 설명하는 훨씬 더 비공식적 인 방법, 특히 각각 이진 선택을하는 두 합리적 행위자의 예는 "고등학교 복도에서 서로를 향해 걷는"시나리오라고 부르는 것에 대해 생각하는 것입니다.
두 사람이 너비 방향으로 만 앉을 수있는 고등학교 복도 (또는 다른 유형의 구역)를 따라 다른 방향으로 걷는다고 가정합니다. 열린 경로 두 개는 이진 결과입니다. 합리적인 두 배우가 서로 충돌하지 않는 다른 이진 결과를 선택하면 서로 통과하여 인사합니다. 두 개의 상충되는 이진 결과를 선택하면 같은 공간을 걷고 있으며 그중 하나는 양보해야합니다.
위의 예에서, 합리적 두 배우가 서로 호환 가능하고 충돌하지 않는 두 가지 결과를 선택하는 경우, 다른 사람이 자신의 행동을 바꾸지 않으면 전략을 바꾸면 (이 경우에는 도보 방향) 어느 쪽도 이득을 얻지 못한다는 것이 일반적인 합의입니다.
상기는 임의의 주어진 기계 학습 구조에서 모델링 될 수있는 평형을 구성한다. 이 간단한 예를 고려할 때, 결과는 항상 협력하는 두 합리적 행위자, 즉 두 사람이 서로 지나서 걷는 것입니다.
반대는 "평형 평형"이라고 불릴 수 있습니다. 언급 된 것처럼 두 합리적 행위자가 상충되는 결과를 선택하면 그 중 하나가 양보해야합니다. 그러나 ML 프로그램 모델링은 두 사람이 서로를 수용하려고 노력하고 여전히 충돌을 향해 계속 걸어 나가는 것처럼 양산하기로 결정하면 무한 루프에 던져 질 수 있습니다.
위의 것과 같은 평형은 일반적으로 기계 학습에서 합의를 만들고 모델을 안정화하는 데 사용됩니다. 엔지니어와 개발자는 평형이 도움이되는 시나리오와 상황을 찾고 그렇지 않은 상황을 바꾸거나 처리하기 위해 노력할 것입니다. ML 평형에 해당하는 실제 사례를 살펴보면 합리적인 학습자와 에이전트를 생성하여 인간 행동을 모델링하는 방법을 알아내는 데 머신 러닝 시스템에서 이러한 종류의 분석이 독창적으로 어떻게 도움이되는지 쉽게 알 수 있습니다. 이것이 머신 러닝 시스템의 응용에서 진보를 이루기 위해 평형이 어떻게 사용될 수 있는지에 대한 훌륭한 예일뿐입니다.
