InfluenceNet: AI Models for Banzhaf and Shapley Value Prediction
作者: Benjamin Kempinski, Tal Kachman
发布时间: 2025-03-12
来源: arxiv
研究方向: 游戏理论、投票游戏、权力指数、神经网络
主要内容
本文研究了使用神经网络预测投票游戏中的权力指数，特别是Banzhaf和Shapley-Shubik指数，以解决传统计算方法在处理大规模联盟时的计算瓶颈。
主要贡献
1. 提出了一种基于神经网络的权力指数近似方法，该方法在处理大规模联盟投票系统时表现出色。
2. 通过生成多样化的数据集，训练神经网络模型以预测权力指数，并验证了其有效性和准确性。
3. 通过实验证明了该方法在计算效率和准确性方面的优势，并提供了对大型联盟系统的新见解。
4. 将图论分析与权力指数预测相结合，为联盟动态提供了新的见解。
研究方法
1. 生成多样化的数据集，包括均匀随机采样、抛硬币分配和概率高斯混合。
2. 使用蒙特卡洛近似计算Banzhaf和Shapley-Shubik指数。
3. 训练神经网络模型以预测权力指数，并使用均方误差作为成功指标。
4. 使用图论分析来表征投票系统的结构特性。
实验结果
实验结果表明，神经网络模型在预测权力指数方面表现出色，特别是在处理大型联盟时。模型在稀疏数据集上的表现优于密集数据集，并且随着联盟规模的增加，模型的性能有所提高。
未来工作
未来的工作将集中在克服当前的限制，包括开发专门针对大规模投票系统的神经网络架构，集成时间组件以处理动态联盟，并探索更先进的权力指数近似技术。