Διάλεξη Παναγιώτη Μερτικόπουλου, Τρίτη 8/6, 15:10 - 18:00

 
Φωτογραφία Δημήτρης Φωτάκης
Διάλεξη Παναγιώτη Μερτικόπουλου, Τρίτη 8/6, 15:10 - 18:00
από Δημήτρης Φωτάκης - Thursday, 3 June 2021, 5:46 PM
 

Σας προσκαλούμε στη διάλεξη του Παναγιώτη Μερτικόπουλου ( http://polaris.imag.fr/panayotis.mertikopoulos/ ), που θα γίνει την ερχόμενη Τρίτη 8 Ιουνίου, ώρα 15:10 - 18:00, στα πλαίσια του μεταπτυχιακού μαθήματος “Αλγοριθμική Θεωρία Παιγνίων” ( https://courses.corelab.ntua.gr/agt ). 

Η διάλεξη θα γίνει μέσω WebEx, στο link https://centralntua.webex.com/centralntua/j.php?MTID=md3818042d9bf360f0b564f203a761d7a . 

Η διάλεξη του Παναγιώτη Μερτικόπουλου θα απευθύνεται σε κοινό ευρύτερο από αυτό που παρακολουθεί το μάθημα. Κατά κύριο λόγο, θα απευθύνεται σε τελειόφοιτους προπτυχιακούς και μεταπτυχιακούς φοιτητές (αλλά και σε ΥΔ) με ενδιαφέροντα στη Θεωρητική Πληροφορική, σε Βελτιστοποίηση, Δυναμικές και Θεωρία Μάθησης, και στην Αλγοριθμική Θεωρία Παιγνίων. 

Ακολουθούν ο τίτλος και μια σύντομη περίληψη της διάλεξης: 

TITLE: Online learning in games: Limits, limitations, and the road ahead

ABSTRACT: Does learning with empirical observations lead to a Nash equilibrium?


This question - originally due to Nash himself - has been at the forefront of game-theoretic research ever since the early days of the field. However, despite immense progress and intense scrutiny, a full and complete answer remains elusive.

In this talk, we will examine the long-run behavior of a wide array of algorithms for learning in games – including the multiplicative/exponential weights algorithm, gradient descent/ascent, their optimistic variants, etc. We will consider both finite and continuous games, with different types of feedback (from full information to purely emprical, bandit-type observations), and we will present a unified framework for their analysis through the lens of stochastic approximation. We will subsequently use this viewpoint to survey a range of recent results in the field – both positive and negative – and we will discuss a number of open questions that have attracted considerable interest in machine learning and beyond.