8.5.1 Iterated Games

๊ฐ€์žฅ ๋จผ์ € ํ•ด๋ณผ ์‹คํ—˜์€, LOLA agent์™€ NL agent์˜ ํ–‰๋™์„ ๋น„๊ตํ•˜๋Š” ๊ฒƒ์ž…๋‹ˆ๋‹ค.

๋‹ค์Œ ๊ทธ๋ž˜ํ”„์˜ (a)์™€ (b)๋Š” ํ•™์Šต์ด ๋๋‚œ ํ›„ agent๋“ค์˜ policy์— ๋Œ€ํ•œ ๊ทธ๋ž˜ํ”„ ์ž…๋‹ˆ๋‹ค. (a)๋Š” NL-Ex์ด๊ณ , (b)๋Š” LOLA-Ex๋กœ ๋ชจ๋‘ {J1,J2}\{J^1,J^2\}์— ๋Œ€ํ•œ hessian์— ์ ‘๊ทผ ๊ฐ€๋Šฅํ•ฉ๋‹ˆ๋‹ค. ์—ฌ๊ธฐ์„œ๋Š” ์˜ค์ง NL-Ex policy ๊ทธ๋ฃน๊ณผ NOLA-Ex๊ทธ๋ฃน ๋ผ๋ฆฌ์— ๋Œ€ํ•ด ๊ณ ๋ คํ•˜๊ณ , 8.5.3์—์„œ ์ด๋Ÿฐ ํ˜ผํ•ฉ๋œ policy agent ๊ทธ๋ฃน์—์„œ์˜ ๊ฒฐ๊ณผ๋ฅผ ๋ณด์ž…๋‹ˆ๋‹ค. ์—ฌ๊ธฐ์„  NL-Ex๊ทธ๋ฃน์€ ๋ฌด์กฐ๊ฑด defectํ•˜๋ คํ•˜๊ณ , LOLA-Ex๋Š” agent๋Š” TFT๋ฅผ ๋ฐฐ์šฐ๊ฒŒ ๋˜๋Š” ๊ฒƒ์„ ๋ณผ ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค. s0s_0์—์„œ cooperativeํ•˜๊ณ , agent 2๊ฐ€ ์ด์ „์— ํ˜‘๋ ฅ์ ์ด์—ˆ๋˜ CC์™€ DC์— ๊ด€ํ•ด์„œ๋Š” agent 1์ด ๋‹ค์Œ์— cooperativeํ•  ํ™•๋ฅ ์ด ์šฐ์„ธํ•œ ๊ฒƒ์„ ๋ณผ ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค.

๊ฒฐ๊ณผ์ ์œผ๋กœ (c)๋ฅผ ๋ณด๋ฉด, LOLA-Ex ๊ทธ๋ฃน์˜ normalized discounted reward๋Š” -1์— ๊ฐ€๊น๊ฒŒ ์ˆ˜๋ ดํ•˜๊ณ , NL-Ex๊ทธ๋ฃน์€ -2์— ์ˆ˜๋ ดํ•˜๋Š” ๊ฒƒ์„ ๋ณผ ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค.

(d)๋ฅผ ๋ณด๋ฉด, LOLA-PG์˜ ๊ฒฐ๊ณผ์ธ๋ฐ, ์ด๋„ ๋งˆ์ฐฌ๊ฐ€์ง€๋กœ ๊ฑฐ์˜ ๋น„์Šทํ•œ ๊ฒฐ๊ณผ๊ฐ€ ๋‚˜์™”์Œ์„ ์•Œ ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค.

๋‹ค์Œ์œผ๋กœ, ๋˜‘๊ฐ™์ด IMP์— ๋Œ€ํ•ด ์‹คํ—˜ํ•œ ๊ฒฐ๊ณผ์— ๋Œ€ํ•ด ์•Œ์•„๋ณด๊ฒ ์Šต๋‹ˆ๋‹ค.

์ด ๊ฒŒ์ž„์—์„œ๋Š” NL agent๊ฐ€ ์ˆ˜๋ ดํ•˜๋Š”๋ฐ ์•„์˜ˆ ์‹คํŒจํ•˜์˜€์Šต๋‹ˆ๋‹ค. ๋ฐ˜๋ฉด์—, LOLA์˜ agent๋Š” head์™€ tail์„ ๋ฐ˜๋ฐ˜์”ฉ ๋‚ด์•ผํ•˜๋Š” ๋‚ด์‰ฌ๊ท ํ˜•์— ์ด๋ฅด๋ €์Œ์„ ์•Œ ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค.

๋‹ค์Œ์˜ Table์„ ํ†ตํ•ด NL agent์™€ LOLA agent์˜ ์„ฑ๋Šฅ ์ฐจ์ด๋ฅผ ์ž์„ธํžˆ ๋ณผ ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค.

IPD์—์„œ๋„ LOLA๋Š” ๋†’์€ ๋น„์œจ๋กœ TFT์„ ์ด๋ค˜๊ณ , IMP์—์„œ๋„ ๋‚ด์‰ฌ ๊ท ํ˜•์„ ๋งž์ท„์Šต๋‹ˆ๋‹ค. ํ•™์Šต์˜ ์•ˆ์ •์„ฑ์€ variance๋กœ ๋ณผ ์ˆ˜ ์žˆ๋Š”๋ฐ, IMP๋ฅผ ๋ณผ ๋•Œ, ํฐ ์ฐจ์ด๊ฐ€ ๋‚จ์„ ์•Œ ์ˆ˜ ์žˆ์Šต๋‹ˆ๋‹ค.

๋‹ค์Œ์œผ๋กœ๋Š” ๋‹ค๋ฅธ Algorithm๊ณผ LOLA๋ฅผ ๋น„๊ตํ•ด ๋ณด๊ฒ ์Šต๋‹ˆ๋‹ค.

์œ„์˜ ๊ทธ๋ฆผ์—์„œ ๋ณด์‹œ๋‹ค์‹œํ”ผ IPD์—์„œ ์ตœ๊ณ ์˜ ์ ์ˆ˜๋ฅผ ๋ฐ›์Œ์„ ๋ณผ ์ˆ˜ ์žˆ์—ˆ์Šต๋‹ˆ๋‹ค. ๋˜ IMP์—์„œ๋Š” ์ œ์ผ ์•ˆ์ •์ ์ธ ๋ชจ์Šต์„ ๋ณด์˜€์Šต๋‹ˆ๋‹ค.

Last updated

Was this helpful?