ELA: Exploited Level Augmentation for Offline Learning in Zero-Sum Games
Rattachement africain : cn, kr, us. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Offline learning derives effective policies from expert demonstrators' datasets without direct interaction. While recent research consider dataset characteristics like expertise level or multiple demonstrators, a distinct approach is necessary in zero-sum games, where outcomes significantly depend on the opponent's strategy. In this study, we introduce a novel approach using unsupervised learning techniques to estimate the exploited level (EL) of each trajectory from the offline dataset of zero-sum games made by diverse demonstrators. The estimated EL is then integrated into offline learning to maximize the influence of the dominant strategy. Our method enables interpretable EL estimation in multiple zero-sum games, effectively identifying dominant strategies. Also, EL augmented offline learning significantly enhances the imitation and offline reinforcement learning algorithms in zero-sum games.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- ELA: Exploited Level Augmentation for Offline Learning in Zero-Sum Games
- Date Crossref
- 06/05/2024
- Éditeur
- IEEE Computer Society
- Type
- proceedings-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Chinese Academy of Sciences pays non établi dans la noticeOrganisme public
-
Shandong Institute of Automation pays non établi dans la noticeStructure de recherche
-
Korea Advanced Institute of Science and Technology pays non établi dans la noticeUniversité ou école supérieure
-
University of California pays non établi dans la noticeUniversité ou école supérieure
-
KAIST pays non établi dans la noticeInstitution
Chinese Academy of Sciences, Shandong Institute of Automation et Korea Advanced Institute of Science and Technology, avec 2 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.