当大数据失败时！使用自适应代理的相对成功率

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《When Big Data Fails! Relative success of adaptive agents using
  coarse-grained information to compete for limited resources》
---
作者：
V. Sasidevan, Appilineni Kushal and Sitabhra Sinha
---
最新提交年份：
2016
---
英文摘要：
  The recent trend for acquiring big data assumes that possessing quantitatively more and qualitatively finer data necessarily provides an advantage that may be critical in competitive situations. Using a model complex adaptive system where agents compete for a limited resource using information coarse-grained to different levels, we show that agents having access to more and better data can perform worse than others in certain situations. The relation between information asymmetry and individual payoffs is seen to be complex, depending on the composition of the population of competing agents.
---
中文摘要：
获取大数据的最新趋势是，拥有数量更多、质量更高的数据必然会带来优势，这在竞争形势下可能至关重要。使用一个模型复杂的自适应系统，其中代理使用不同级别的粗粒度信息竞争有限的资源，我们表明，在某些情况下，能够访问更多更好数据的代理的性能可能比其他代理的性能差。信息不对称与个人收益之间的关系被认为是复杂的，这取决于竞争主体群体的构成。
---
分类信息：

一级分类：Physics        物理学
二级分类：Physics and Society        物理学与社会
分类描述：Structure, dynamics and collective behavior of societies and groups (human or otherwise). Quantitative analysis of social networks and other complex networks. Physics and engineering of infrastructure and systems of broad societal impact (e.g., energy grids, transportation networks).
社会和团体（人类或其他）的结构、动态和集体行为。社会网络和其他复杂网络的定量分析。具有广泛社会影响的基础设施和系统（如能源网、运输网络）的物理和工程。
--
一级分类：Computer Science        计算机科学
二级分类：Multiagent Systems        多智能体系统
分类描述：Covers multiagent systems, distributed artificial intelligence, intelligent agents, coordinated interactions. and practical applications. Roughly covers ACM Subject Class I.2.11.
涵盖多Agent系统、分布式人工智能、智能Agent、协调交互。和实际应用。大致涵盖ACM科目I.2.11类。
--
一级分类：Quantitative Finance        数量金融学
二级分类：Trading and Market Microstructure        交易与市场微观结构
分类描述：Market microstructure, liquidity, exchange and auction design, automated trading, agent-based modeling and market-making
市场微观结构，流动性，交易和拍卖设计，自动化交易，基于代理的建模和做市
--

---
PDF下载：
--> When_Big_Data_Fails!_Relative_success_of_adaptive_agents_using_coarse-grained_in.pdf (369.19 KB)

2022-5-25 17:10:19 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：成功率 大数据 Quantitative interactions Intelligence

当大数据失败时！使用粗粒度信息竞争有限资源的自适应代理相对成功。萨西德万，1，*Appilineni Kushal，2，+和Sitabhra Sinha1，CIT校园数学科学研究所，印度金奈塔拉马尼，邮编：600113。印度科学研究所，班加罗尔C V Raman路，邮编：560012。（日期：2018年11月7日）获取大数据的最新趋势假设，拥有更多数量和质量上的较新数据必然会提供一种优势，这可能在竞争中至关重要。使用一个模型复杂的自适应系统，其中代理使用不同级别的粗粒度信息竞争有限的资源，我们表明，在某些情况下，能够访问更多更好数据的代理的性能可能比其他代理差。信息不对称和个人支付之间的关系被认为是复杂的，这取决于竞争主体的构成。PACS编号：02.50。Le，87.23。通用电气，89.75-群体中的卡根特人经常与其邻居协调行动，导致ms罢工，如成群结队和群居[1，2]。通常，在这种情况下，个人使用从当地环境中获得的信息来调整自己的行动，以实现某些预期目标[3-6]。因此，应急协调在很大程度上取决于代理获取的信息及其适当处理信息的能力，这决定了其未来的行动方向。通常，系统中不同代理的目标可能彼此不兼容，例如，当他们竞争有限的资源时。在自然界中，这种情况的例子非常多，在这种情况下，个体会争夺食物、住所和交配机会。

即使在我们更为复杂的社会环境中，我们也经常遇到这种竞争的情况，例如，人们试图通过城市道路网选择最不拥挤的路线，或者预测对金融资产的相对需求是否会增加，以便在目前通过购买或出售来支持[7]。在这些环境中，个人可能会使用一些策略，这些策略会投射过去经验的信息，以决定未来的行动方向[8-10]。传统智慧认为，代理人在实现其目标（即获取稀缺资源）方面的相对成功率将随着可用数据的质量和数量而增加，可用数据将构成其决策的基础。Indedt最近对“大数据”的兴奋部分基于这样一个前提，即获取更多更好的信息可以提供竞争优势[11]。在本文中，我们表明，使用量化更多数据的代理也能得到很好的解决（因此在质量上也更优），在与获取较少、更粗粒度信息的代理竞争的情况下，可能实际上做得并不更好，而且可能会导致显着更差的回报。这一令人惊讶的结果产生于代理人集体活动中的紧急协调，这些代理人使用特定质量的信息（即，粗雨水平）导致宏观行为模式，这些行为模式可能仅在不同的协同等级下才能从数据中辨别出来。因此，如果人口中有其他人能够获得关于系统的信息或后一个粗粒度级别的信息，他们就可以潜在地利用这种可预测性来发挥自己的优势。我们使用一个优先获得有限资源的模型来展示这一点。这包括一个复杂的代理自适应系统，每个代理都试图最大限度地提高其收益。

代理在信息的质量和数量上是有区别的，他们使用这些信息在几个可能的选项中进行选择。该设置允许我们根据不同类型的代理来改变人口的构成，每个代理都专门使用系统中两种类型的历史数据中的一种，这两种数据代表了粗抓的两个极端。我们表明，信息不对称与代理性能之间的关系是复杂的，取决于每种类型的代理所构成的人口的相对比例。因此，“大数据”的效用取决于生态系统的精确性质，生态系统由一个新台币时代所处的所有竞争对手组成。因此，需要谨慎对待这样的前提，即越来越多更好的信息将自动产生更好的性能，例如通过提高预测能力。这尤其适用于我们周围的系统中普遍存在的通过学习进行适应的竞争情况，如金融市场【12，13】。为了研究信息在主体之间的对称性如何影响其性能，特别是当不同主体在不同程度的粗粒化中使用信息时，我们关注一个复杂的自适应系统，其中主体竞争有限的资源。在这里，异构代理使用他们可以访问的不同类型的信息来达到相同的目的，即。，优先获得资源。特别是，我们使用了少数群体游戏（MG）[14-16]的范式，该范式具有以定量方式解决上述问题的所有要素。此外，它的优点是，经典版本的代理仅在单个粗粒化级别上使用信息，这一版本已被充分理解，并且可以用作此处研究的更复杂情况的基准。

我们考虑了一个奇数N个代理的群体，他们在每一轮中同时独立地在两个选项（比如A和B）之间进行选择。在每一轮中，由较少代理人选择的选项被认为是更好的选择（结果），并导致更高的回报（例如，1），而选择替代者的回报更低（例如，0）。我们假设该群体由不同类型的代理组成，这些代理根据其可访问的数据进行区分，这些数据粒度不同（图1）。同轴度k（2≤ k≤N+1）是根据管理者可以解决选择特定选项（a）的代理数量（例如，NA）的范围来定义的。例如，K=2（分辨率的最粗略水平）的试剂只能在特定区域中区分NA>N/2和NA<N/2（即，a是否被多数选择）[14]。相反，最低分辨率对应于k=N+1，对于该分辨率，一个代理可以确定选择A的代理的检查数量[17]。这两个极端值之间的任何k值都代表了粗粒化的中间水平，在每一轮中，代理只能区分是否有任何一个间隔【in/k，（i+1）N/k】，其中i=0，k- ea ch类型的代理使用适当的粗粒度数据来确定他们在下一轮中的行动选择。为清楚起见，我们只关注两种类型的试剂c之间的相互作用，对应于粗粒化的极端情况，即。，k=2（我们将其指定为类型1代理）和k=N+1（类型2代理）。每种类型的代理的内存长度表示其保留信息的过去回合数，对于类型1（类型2）的代理，内存长度用m（m）表示。

每个代理使用s策略将过去事件的信息（类型1代理的MBIT，类型2代理的mlog（N+1）位）映射到下一轮的操作选择（即A或B）。每个代理最初从所有可能的策略集中随机选择一个t样本（例如，此处的大小为2），对于类型1代理，大小为2 M，对于类型2代理，大小为2（N+1）M。在每一轮中，代理人根据在前几轮中使用策略获得的潜在回报（反馈）对策略进行评分，并使用得分最高的策略。为了研究当不同的代理访问具有不同程度粗粒化的数据（因此，具有不同的定性信息）时，如何影响代理在选择其最佳未来行为方面的相对性能，我们首先关注记忆长度最小的单一类型1代理与人口N- 1记忆长度为m的第2类代理。请注意，这两类代理都使用历史记录：结果。操作{k=2}代理类型1{k=N+1}代理。键入2BBBAFEEDBACK。。。A B B A反馈。。。NAt公司-3 NAt-2 NAt-1 NAt详情b。二进制图1：复杂自适应系统的示意图，该系统由N个代理组成，这些代理正在竞争有限的资源。每一个代理在每一轮都必须在两种可能的行动（A或B）之间进行选择，在这一轮中，由数量较少的代理选择的选项是更好的选择（结果）。代理使用基于前m轮集体选择动态信息的策略来决定他们的选择，这可能导致系统处于k种可能状态之一（2≤ k≤ N+1，取决于粗粒化程度）。

这里，根据粗粒度信息的两个极端级别，即k=2和k=N+1，代理被分为两类（类型1和类型2），它们可以访问这些信息。在每轮t之后，关于选择特定动作a（例如NAt）的代理总数的详细信息，该动作只能由类型2代理访问，以及二进制信息，即。，少数群体（A或B）的选择（仅由e 1型代理访问）被添加到结果历史中。关于结果的信息也被用作代理人适应性选择策略的反馈。他们可以获得不同的信息（代表粗粒化的两个极端），目的是预测下一轮的结果。人们可能天真地认为，拥有更多信息的代理（例如，以比特为单位）将比其他类型的代理具有优势。因此，可以预期，当类型1代理可访问的信息中的比特数m小于类型2代理的相应数量mlog（N+1）时，后者将获得相对较高的回报。这也符合直觉的观点，即2型药物的高分辨率详细数据在质量上优于1型药物的低分辨率结果数据。然而，图2所示的两种试剂在不同记忆长度和群体大小N下的平均回报表明，实际行为更加复杂。最令人惊讶的结果是，当2型代理的内存长度为m=1时（图。

2） 尽管信息10210302468100.4 0.5代理数量N类型1代理内存m1平均回报P1，P2m2=1类型1代理类型2代理图2：平均回报P，Pof类型1和类型2代理（分别）显示为单个类型1代理与N交互的内存长度的函数- 1对于不同的群体规模N，记忆长度为m=1的2型代理。请注意，当单独的1型代理具有较低的记忆长度m时，它比2型代理具有相对优势，当m=2时，获得的回报最高。在稳态下，平均10次迭代和100次以上的差异处理。与人口中的其他部分相比，它的可访问性非常粗，并且数量（就比特而言）非常少。此外，第1类代理比第2类代理做得更好的移动范围随着N的增加而增加。因此，当单个实体访问的信息在质量和数量上都不同时，代理在复杂自适应系统中的成功并不完全取决于其处理的数据的数量和分辨率。相反，正如下文所示，这更多地取决于种群行为中的可辨别模式是否存在于其能够获得的粗粒化水平。当2型主体的记忆长度增加到m=2时（见补充信息），1型主体不再被认为比其他群体有更高的回报，其记忆长度m则更少。请注意，2型主体在m=2独立于N的情况下，其自身的紧急协调程度最高【17】。因此，孤立的1型代理无法超过2型代理的最佳协调群体，这并不奇怪。

然而，正如我们在下面所展示的，引入多个1型代理使这些相互竞争的个体能够在自身内部发展紧急协调，通过这种协调，他们可以超越m=2的rm 2型代理。如果M>2，则2型代理的行为与随机选择A和B的代理无法区分[17]。由于1型代理可以利用的时间序列不具有可预测性，因此平均而言，它将获得与其他人群基本相同的回报。与之相反的情况是，一个2型个体与N个种群相互作用- 1类型1代理表明，当mis低时，单独的类型2代理将比其他代理表现更好，与m无关（见补充信息）。这可以从以下观察结果中得到解释：在低m时，1型药物的凋亡行为在选择特定选项的数量中有一个逐碘模式，这确切地说是2型药物可访问的信息。因此，它是利用可预测性发挥其优势的最佳位置。为了解释在粗粒化的两个极端水平上访问信息的不同类型代理的相对性能，我们重点关注代理可以利用其优势的结果历史中的信息内容。正如我们所看到的，任何一种药剂的集体作用都可能在另一个粗粒化水平上产生可预测的模式，并且只有这些其他药剂才能观察到。考虑到过去结果的历史，可以通过测量特定选择（例如A）作为特定回合结果的可预测性来量化噪声级以上的“有用”信息内容。

该历史可以是结果a、B的二进制序列，也可以是选择特定选项a的代理数{NAt}的详细时间序列，前者（后者）只能由类型1（类型2）的代理访问。因此，我们可以定义两种不同的信息度量，即：。，H=PuLbinP（uLbin）[P（A | uLbin）- （1/2）]，H=脉冲（ULDETP）[脉冲（A | uLdet）- （1/2）]。这里，ulbin是之前Lbinrounds的结果的二进制序列，而uldeti是整数序列，每个位于0和N之间，表示在之前的ldendrounds中选择A的代理数。观察到L个连续结果的特定序列的概率表示为P（uL），而P（a | uL）表示结果a遵循序列uL的条件概率。我们首先考虑只包含记忆长度为m的2型代理的群体的情况。这类代理的集体行为产生了二元结果的历史，其信息内容如图3（a）中m=1和2所示。没有证据表明，该信息不能由类型2代理自己使用，其策略基于ULDET，但在原则上可供策略使用uLbin的假设类型1代理访问。我们观察到，在这里考虑的序列长度范围内，Hin随二元序列长度Lbin的增加而增加，当历史被重新限制为前一轮时，H=0，即Lbin=1。因此，如果将memorylength为mis的类型1代理引入该群体，它可以利用当m>1时可访问的二进制序列中存在的可预测性。