回帰均衡

本論文では、予測アルゴリズムの戦略的使用について探究しています。特に、オンライン製品やサービスで中心的な役割を果たす予測アルゴリズムが、競争の中でどのように戦略的に利用されるかを考察します。著者らはPAC学習フレームワークに基づく新しいゲーム理論的設定を導入し、各プレイヤー（予測アルゴリズム）は、自己の予測が正確で他者の予測が誤っているポイントの合計を最大化しようとすることを示します。一般化を目指すアルゴリズムは、時に意図的に一部のポイントを誤予測し、期待値で他者よりも良いパフォーマンスを発揮する可能性があることを分析しました。また、特定のサンプルにおいて常に純ナッシュ均衡が存在し、各学習プロセスが収束することを証明しました。最後に、少数のサンプルを用いて全体の集団のための近似的な純ナッシュ均衡を学習できる可能性が高いことを示唆しています。