Finding the minimum approximation ratio for Nash equilibrium of bi-matrix games has derived a series of studies, starting with 3/4, followed by 1/2, 0.38, 0.36, and the previously best-known approximation ratio of 0.3393 by Tsaknakis and Spirakis (TS algorithm for short). The TS algorithm applies a descent method to locally minimize a loss function and then makes a further adjustment. Efforts to improve the analysis of the TS algorithm remain unsuccessful in the past 15 years. This work makes the first progress in showing that the bound of 0.3393 is indeed tight for the TS algorithm. We also present a thorough theoretical worst-case analysis and give a computable equivalent condition of tight instances. With this condition, we provide a tight instance generator for the TS algorithm. Empirically, most generated instances are unstable, that is, a small perturbation near a 0.3393 solution may help the TS algorithm find another faraway solution with a much better approximation ratio. Meanwhile, the existence of stable tight instances indicates the perturbation cannot improve 0.3393 bound in worst cases for the TS algorithm. Furthermore, we test approximate algorithms other than the TS algorithm on these generated instances. Two approximate algorithms, the regret-matching algorithm and the fictitious play algorithm, can find solutions with approximation ratios far better than 0.3393. Interestingly, the distributed approximate algorithm by Czumaj et al. finds solutions with the same approximation ratio of 0.3393 on these generated instances. Such results demonstrate that our generated instances against the TS algorithm serve as a necessary benchmark in design and analysis of approximate Nash equilibrium algorithms. Finally, we show that our techniques can be further generalized to prove the tightness of recently developed 1/3-approximation DFM algorithm.


翻译:为双马基游戏的纳什平衡寻找最低近似比率得出了一系列研究,从3/4开始,其次是3/4,然后是1/2,0.38,0.36,以及以前最著名的Tsaknakis和Spirakis(短期TS算法)的0.3393近似比率。TS算法采用了一种下降方法,以在当地最大限度地减少损失函数,然后作进一步调整。过去15年来,改进对TS算法的分析的努力仍然不成功。这项工作取得了初步进展,显示0.3393的结合对于TS算法来说确实很紧。我们还进行了彻底的理论最坏情况分析,并给出了一个可比较的近似近似近似于紧凑的近似近似近似的近似近似比率。此外,我们最近测试了最接近的TSrickal3 算法的近似性分析结果,而现在也证明我们最接近于最接近的近近近近似比率的运算法。

0
下载
关闭预览

相关内容

不可错过!《机器学习100讲》课程,UBC Mark Schmidt讲授
专知会员服务
73+阅读 · 2022年6月28日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Latest News & Announcements of the Tutorial
中国图象图形学学会CSIG
3+阅读 · 2021年12月20日
【ICIG2021】Latest News & Announcements of the Workshop
中国图象图形学学会CSIG
0+阅读 · 2021年12月20日
【ICIG2021】Latest News & Announcements of the Plenary Talk2
中国图象图形学学会CSIG
0+阅读 · 2021年11月2日
【ICIG2021】Latest News & Announcements of the Plenary Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年11月1日
【ICIG2021】Latest News & Announcements of the Industry Talk2
中国图象图形学学会CSIG
0+阅读 · 2021年7月29日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2010年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年7月29日
VIP会员
相关VIP内容
相关资讯
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Latest News & Announcements of the Tutorial
中国图象图形学学会CSIG
3+阅读 · 2021年12月20日
【ICIG2021】Latest News & Announcements of the Workshop
中国图象图形学学会CSIG
0+阅读 · 2021年12月20日
【ICIG2021】Latest News & Announcements of the Plenary Talk2
中国图象图形学学会CSIG
0+阅读 · 2021年11月2日
【ICIG2021】Latest News & Announcements of the Plenary Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年11月1日
【ICIG2021】Latest News & Announcements of the Industry Talk2
中国图象图形学学会CSIG
0+阅读 · 2021年7月29日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
相关基金
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2010年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员