KI News: Kurz und klar.

In einer neuen Studie wird ein spieltheoretisches Modell vorgestellt, das das Verhalten von großen Sprachmodellen (LLMs) vorhersagen und gezielt steuern kann. Durch die Analyse von Nash-Gleichgewichten wird ein Rahmen geschaffen, in dem jedes Modell seine Aktionen als Mischung über verschiedene menschliche Subpopulationen definiert. So wählen die Agenten aktiv und strategisch, mit welchen Gruppen sie sich ausrichten, was zu klaren und nachvollziehbaren Richtlinien führt.

Die Policy Space Response Oracles (PSRO) kombinieren spieltheoretische Gleichgewichtssuche mit maschinellem Lernen und sind damit ein leistungsstarkes Werkzeug zur Annäherung an Nash-Gleichgewichte in Nullsummenspielen. In der Praxis wird ihre Anwendung jedoch durch hohe Rechenkosten eingeschränkt, wobei die Spielsimulation den größten Aufwand verursacht.

In einer aktuellen Veröffentlichung auf arXiv wird gezeigt, dass sogenannte adversariale Graphen – also Graphen mit kaum wahrnehmbaren Störungen – tiefgreifende Graphmodelle zum Scheitern bringen können. Das neue Papier erweitert dieses Konzept auf das Problem der Community‑Detection, das noch komplexer ist, und stellt innovative Angriffs- sowie Verteidigungstechniken vor. Ziel ist es, gezielt Personen aus der Erkennung zu verbergen und gleichzeitig die Robustheit von Community‑Detection‑Modellen zu erhöhen.

In einem neuen Beitrag auf arXiv wird ein innovatives Lernverfahren vorgestellt, das die Grenzen herkömmlicher Verstärkungslernalgorithmen in verteilten Mehrspieler‑Spielen überwindet. Das Verfahren, genannt Aspiration‑Based Perturbed Learning Automata (APLA), kombiniert die klassische Verstärkung von Aktionen mit einem Aspiration‑Faktor, der die Zufriedenheit des Spielers widerspiegelt.