DiffNash: Поиск Nash Equilibrium в высокомерных пространствах непрерывного действия с политикой диффузии

arXiv: 2610.15932v1 Annualce Type: ccred Резюме: Computation aquibria in high-measure sinternive games требует обучения и представления богатых, мультимодальных стратегий распределения чего-то традиционного нейронной политики трудно достичь. Модели диффузии предлагают естественное решение, но стандартная подготовка в области распространения требует прямых проб с фиксированного целевого распределения, которые обычно недоступны при итеративном решении игр. Мы предлагаем основу для расчета равновесия на основе распространения, которая позволяет использовать диффузионные варианты онлайн-зернообразного (OMD) и Fictitional Play (FP). Наш подход предполагает достижение цели перевзвешенного сопоставления результатов, которая предусматривает подготовку политики в области распространения без необходимости непосредственного отбора проб из каждой обновленной политики. Наш главный метод, DiffNash, сочетает быструю конвергенцию OMD с эффективностью выборки FP за счет повторного использования прошлых действий через буфер повтора. Чтобы исправить результирующий сдвиг в распределении от повторного использования выборки, мы получаем беспристрастную оценку