Reinforcement Learning in Nonzero-sum Linear Quadratic Deep Structured\n Games: Global Convergence of Policy Optimization
Notice bibliographique
Résumé
We study model-based and model-free policy optimization in a class of\nnonzero-sum stochastic dynamic games called linear quadratic (LQ) deep\nstructured games. In such games, players interact with each other through a set\nof weighted averages (linear regressions) of the states and actions. In this\npaper, we focus our attention to homogeneous weights; however, for the special\ncase of infinite population, the obtained results extend to asymptotically\nvanishing weights wherein the players learn the sequential weighted mean-field\nequilibrium. Despite the non-convexity of the optimization in policy space and\nthe fact that policy optimization does not generally converge in game setting,\nwe prove that the proposed model-based and model-free policy gradient descent\nand natural policy gradient descent algorithms globally converge to the\nsub-game perfect Nash equilibrium. To the best of our knowledge, this is the\nfirst result that provides a global convergence proof of policy optimization in\na nonzero-sum LQ game. One of the salient features of the proposed algorithms\nis that their parameter space is independent of the number of players, and when\nthe dimension of state space is significantly larger than that of the action\nspace, they provide a more efficient way of computation compared to those\nalgorithms that plan and learn in the action space. Finally, some simulations\nare provided to numerically verify the obtained theoretical results.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».