8.5.1 Iterated Games
Last updated
Was this helpful?
Last updated
Was this helpful?
๊ฐ์ฅ ๋จผ์ ํด๋ณผ ์คํ์, LOLA agent์ NL agent์ ํ๋์ ๋น๊ตํ๋ ๊ฒ์ ๋๋ค.
๋ค์ ๊ทธ๋ํ์ (a)์ (b)๋ ํ์ต์ด ๋๋ ํ agent๋ค์ policy์ ๋ํ ๊ทธ๋ํ ์ ๋๋ค. (a)๋ NL-Ex์ด๊ณ , (b)๋ LOLA-Ex๋ก ๋ชจ๋ ์ ๋ํ hessian์ ์ ๊ทผ ๊ฐ๋ฅํฉ๋๋ค. ์ฌ๊ธฐ์๋ ์ค์ง NL-Ex policy ๊ทธ๋ฃน๊ณผ NOLA-Ex๊ทธ๋ฃน ๋ผ๋ฆฌ์ ๋ํด ๊ณ ๋ คํ๊ณ , 8.5.3์์ ์ด๋ฐ ํผํฉ๋ policy agent ๊ทธ๋ฃน์์์ ๊ฒฐ๊ณผ๋ฅผ ๋ณด์ ๋๋ค. ์ฌ๊ธฐ์ NL-Ex๊ทธ๋ฃน์ ๋ฌด์กฐ๊ฑด defectํ๋ คํ๊ณ , LOLA-Ex๋ agent๋ TFT๋ฅผ ๋ฐฐ์ฐ๊ฒ ๋๋ ๊ฒ์ ๋ณผ ์ ์์ต๋๋ค. ์์ cooperativeํ๊ณ , agent 2๊ฐ ์ด์ ์ ํ๋ ฅ์ ์ด์๋ CC์ DC์ ๊ดํด์๋ agent 1์ด ๋ค์์ cooperativeํ ํ๋ฅ ์ด ์ฐ์ธํ ๊ฒ์ ๋ณผ ์ ์์ต๋๋ค.
๊ฒฐ๊ณผ์ ์ผ๋ก (c)๋ฅผ ๋ณด๋ฉด, LOLA-Ex ๊ทธ๋ฃน์ normalized discounted reward๋ -1์ ๊ฐ๊น๊ฒ ์๋ ดํ๊ณ , NL-Ex๊ทธ๋ฃน์ -2์ ์๋ ดํ๋ ๊ฒ์ ๋ณผ ์ ์์ต๋๋ค.
(d)๋ฅผ ๋ณด๋ฉด, LOLA-PG์ ๊ฒฐ๊ณผ์ธ๋ฐ, ์ด๋ ๋ง์ฐฌ๊ฐ์ง๋ก ๊ฑฐ์ ๋น์ทํ ๊ฒฐ๊ณผ๊ฐ ๋์์์ ์ ์ ์์ต๋๋ค.
๋ค์์ผ๋ก, ๋๊ฐ์ด IMP์ ๋ํด ์คํํ ๊ฒฐ๊ณผ์ ๋ํด ์์๋ณด๊ฒ ์ต๋๋ค.
์ด ๊ฒ์์์๋ NL agent๊ฐ ์๋ ดํ๋๋ฐ ์์ ์คํจํ์์ต๋๋ค. ๋ฐ๋ฉด์, LOLA์ agent๋ head์ tail์ ๋ฐ๋ฐ์ฉ ๋ด์ผํ๋ ๋ด์ฌ๊ท ํ์ ์ด๋ฅด๋ ์์ ์ ์ ์์ต๋๋ค.
๋ค์์ Table์ ํตํด NL agent์ LOLA agent์ ์ฑ๋ฅ ์ฐจ์ด๋ฅผ ์์ธํ ๋ณผ ์ ์์ต๋๋ค.
IPD์์๋ LOLA๋ ๋์ ๋น์จ๋ก TFT์ ์ด๋ค๊ณ , IMP์์๋ ๋ด์ฌ ๊ท ํ์ ๋ง์ท์ต๋๋ค. ํ์ต์ ์์ ์ฑ์ variance๋ก ๋ณผ ์ ์๋๋ฐ, IMP๋ฅผ ๋ณผ ๋, ํฐ ์ฐจ์ด๊ฐ ๋จ์ ์ ์ ์์ต๋๋ค.
๋ค์์ผ๋ก๋ ๋ค๋ฅธ Algorithm๊ณผ LOLA๋ฅผ ๋น๊ตํด ๋ณด๊ฒ ์ต๋๋ค.
์์ ๊ทธ๋ฆผ์์ ๋ณด์๋ค์ํผ IPD์์ ์ต๊ณ ์ ์ ์๋ฅผ ๋ฐ์์ ๋ณผ ์ ์์์ต๋๋ค. ๋ IMP์์๋ ์ ์ผ ์์ ์ ์ธ ๋ชจ์ต์ ๋ณด์์ต๋๋ค.