Mit der Weiterentwicklung von Methoden des maschinellen Lernens sehen sich Algorithmen einer komplizierteren Umgebung als je zuvor gegenüber. Die massive Menge an Daten hat starken Druck auf gegenwärtige Berechnungs- und Entscheidungsstrategien ausgeübt. Um die Leistung der Künstlichen Intelligenz in multi-agenten-interagierenden Szenarien zu steigern, haben Forscher Spieltheorien in Strategien des maschinellen Lernens integriert. Der Artikel führt die Anwendung der Spieltheorie aus drei Aspekten ein: die theoretische Grundlage, die Anwendungsbereiche und die zukünftigen Perspektiven. Das Hauptziel des Artikels ist es, die aktuelle Forschung zur Anwendung der Spieltheorie auf Algorithmen des verstärkenden Lernens zusammenzufassen und zu zeigen, wie die Theorie die Leistung der KI verbessert. Es wird gehofft, dass der Artikel als Leitfaden für interessierte Forscher dienen kann und dazu beiträgt, die Errungenschaften auf diesem Gebiet voranzutreiben. Die Forschung zu Multi-Spieltheorien verbessert nicht nur die Fähigkeit von logistischen spielbezogenen Algorithmen, sondern fördert auch positiv die Entwicklung sehr fortschrittlicher Künstlicher Intelligenz weiter.
Chang Yuan (Thu,) hat diese Frage untersucht.