2024_ICLR_Honorable mentions_APPROXIMATING NASH EQUILIBRIA IN NORMALFORM GAMES VIA STOCHASTIC

文章核心总结与翻译

一、主要内容

文章聚焦标准型博弈中纳什均衡的近似求解问题，针对多玩家、一般和博弈的纳什均衡计算复杂（PPAD完全）、现有方法难以规模化的痛点，提出将纳什均衡近似转化为可无偏蒙特卡洛估计的随机非凸优化问题。通过设计新型损失函数，结合随机梯度下降（SGD）和x-armed bandit等算法，实现对大规模博弈纳什均衡的高效求解，并通过理论分析和实验验证了方法的有效性。

二、创新点

1. 提出首个可无偏蒙特卡洛估计的损失函数(L^{\tau}(x))，满足Lipschitz连续、有界特性，其全局最小值能良好近似纳什均衡。
2. 将纳什均衡近似问题转化为随机优化问题，突破传统方法在大规模博弈中的应用限制，支持纳入福利约束、策略贴近度等定制化目标。
3. 开发高效随机算法，包括SGD和基于bandit的方法，证明在多玩家一般和博弈中具有多项式时间全局收敛率。
4. 实验验证SGD在部分游戏中优于现有最优方法，为大规模博弈均衡求解提供了新路径。

---

三、核心部分翻译（Markdown格式）

Abstract

我们提出了首个适用于标准型博弈近似纳什均衡的损失函数，该函数支持无偏蒙特卡洛估计。这一构造使我们能够部署标准的非凸随机优化技术来近似纳什均衡，进而形成具有可证明保证的新型算法。我们通过实验补充了理论分析，结果表明随机梯度下降能够优于以往的最优方法。