Toppen! Nu är du prenumerant på Warp News
Härligt! Genomför ditt köp i kassan för full tillgång till Warp News
Varmt välkommen tillbaka! Du är nu inloggad.
Tack! Kolla din inkorg för att aktivera ditt konto.
Klart! Din faktureringsinformation är nu uppdaterad.
Uppdateringen av faktureringsinformationen misslyckades.
♟️ Därför är spelteori relevant i maskininlärning

♟️ Därför är spelteori relevant i maskininlärning

Innovation uppstår ofta när man lånar lösningar och tankesätt från andra områden. Detta är vad forskare på DeepMind har gjort när de har tillämpat Game Theory på maskininlärning.

Elina Holmgren Tyskling
Elina Holmgren Tyskling

Dela artikeln

Spelteori är ett tvärvetenskapligt forskningsfält som studerar spel och strategier i spel. Ett koncept inom spelteori är "Nash Equilibrium". I ett spel vill du nå detta equilibrium vid varje drag. Det innebär att ingen förbättring kan göras, och att ingen förändring kommer att öka din utdelning eller framgång givet att den andra spelaren fortsätter att spela som den gjort.

Nu har ett team av forskare bestående av Ian Gemp, Thore Graepel, Brian McWilliams and Claire Vernade på AI-företaget DeepMind, som ägs av Google, publicerat en artikel titulerad "EigenGame: PCA as a Nash Equilibrium". I den visar de hur konceptet om Nash Equilibrium kan vara användbart i analys av data och i maskininlärning.

Vad är PCA?

En mycket vanlig metod som används för att analysera data är det som kallas ”PCA”. PCA går ut på att skapa mening i data genom att förstå vilket "recept" som bäst beskriver spridningen av data i ett koordinatsystem, och att genom receptet förstå vilken data som mest bidrar till en viss spridning.

Det kan exempelvis handla om individer av träd vars radie, längd, ålder och grentäthet mätts. För att hitta det bästa receptet behöver en dator utföra en mängd beräkningar. Men forskare tror att det går att optimera PCA ytterligare. Ett recept kallas "principalkomponent".

I forskningsartikeln från DeepMind omtolkar forskarna PCA till ett spel. Vi frågade Ian Gemp, en av författarna till artikeln, hur deras spel "Eigengame" går till.
- EigenGame ser alla principalkomponenter som spelare i ett spel. I ett Nash Equilibrium befinner sig varje spelare i ett "dödläge" i förhållande till de andra, och då har den optimala principalkomponenten hittats.

Ian Gemp förklarar med en analogi.
- Föreställ dig att du släpper tre spelare på slumpmässiga plaster på ett jordklot, liksom tre priser på andra plaster. Spelet går ut på att hitta priserna, men bara en spelare kan fånga varje pris och de bestraffas om de försöker ta samma som någon annan. I fler dimensioner adderar man fler spelare, fler priser och man spelar på en sfär med fler dimensioner.

Illustration över jordklots-analogin. Bild: DeepMind.


Eigengame har används för att analysera en stor språkdatabas på cirka 100 TB, men skulle också kunna användas i genetisk forskning och kan analysera upp till tiotals miljoner genetiska variationer.

Kommer ni att använda logiken i Game Theory på andra problem?

- Absolut. Vi är på väg att applicera samma tänkande på andra fundamentala matematiska problem som stödjer en bredare vidd av dataanalysverktyg, säger Ian Gemp.  

Läs hela studien här.



Få ett gratis veckobrev med
faktabaserade optimistiska nyheter


Genom att prenumerera bekräftar jag att jag har läst och godkänner personuppgifter och cookies policy.