📈 economics

Sequential Elimination and Union Shapley Value for Group Assessment in Coalitional Games

Dieser Beitrag führt den Union-Shapley-Wert als eine natürliche Gruppenbewertungsmethode auf Basis sequenzieller Elimination ein, stellt seine Reihenfolgeunabhängigkeit für die meisten Semiwerte nach und unterscheidet axiomatisch zwischen Gruppenwerten, die den Gesamtwert versus Synergie messen, wobei Verbindungen zu bestehenden Konzepten wie dem Interaktionsindex aufgedeckt werden.

Ursprüngliche Autoren: Piotr Kępczyński, Oskar Skibski

Veröffentlicht 2026-05-20

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Piotr Kępczyński, Oskar Skibski

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen herauszufinden, wie viel Kredit ein bestimmtes Team von Menschen für ein großes Projekt verdient. Sie wissen, wie viel jeder Einzelne allein beigetragen hat, aber wie bewertet man die Gruppe als Ganzes? Addiert man einfach ihre individuellen Punktzahlen? Oder behandelt man die ganze Gruppe als eine einzige „Super-Person"?

Dieser Artikel nimmt sich genau diese Frage unter Zuhilfenahme der Mathematik „kooperativer Spiele" vor (denken Sie daran als eine formale Methode, Teamarbeit zu untersuchen). Die Autoren argumentieren, dass die beiden häufigsten Wege, diese Frage zu beantworten, tatsächlich fehlerhaft sind, weil sie die Nuancen der Zusammenarbeit der Menschen übersehen.

Hier ist die Aufschlüsselung ihrer Ideen, unter Verwendung einfacher Analogien.

Das Problem: Zwei schlechte Wege zum Zählen

Die Autoren sagen, dass die meisten Menschen versuchen, eine Gruppe auf eine von zwei Arten zu bewerten:

Die „Addiere-es-methode": Sie summieren einfach die individuelle Punktzahl aller Personen.
- Der Fehler: Dies ignoriert, dass Menschen möglicherweise exakt dasselbe tun. Wenn zwei Personen denselben schweren Karton tragen, lässt das Addieren ihrer Punktzahlen den Karton doppelt so schwer erscheinen, wie er ist. Die Anstrengung wird doppelt gezählt.
Die „Kleber-Methode" (Zusammenfügen): Sie stellen sich vor, die Gruppe zu einer einzigen riesigen Super-Person zusammenzukleben und sehen, wie viel diese Super-Person beiträgt.
- Der Fehler: Dies ignoriert die Tatsache, dass die Gruppe interne Konflikte oder Redundanzen haben könnte. Sie behandelt die Gruppe als eine einzige Einheit und ignoriert, dass die Mitglieder unabhängig sein könnten oder auf seltsame Weise sich überschneiden.

Das Beispiel des Artikels:
Stellen Sie sich ein Spiel mit vier Spielern vor: A, B, C und D.

A und B arbeiten zusammen, um ein Haus zu bauen (1 Einheit Wert).
C und D arbeiten zusammen, um ein anderes Haus zu bauen (1 Einheit Wert).
A und C arbeiten überhaupt nicht zusammen.

Wenn Sie fragen: „Wer ist wichtiger: das Paar {A, B} oder das Paar {A, C}?"

Die alten Methoden sagen, sie seien gleich.
Die Autoren sagen, {A, C} ist tatsächlich wichtiger. Warum? Wenn Sie {A, C} entfernen, verlieren Sie zwei unabhängige Wertquellen (das A-B-Haus und das C-D-Haus). Wenn Sie {A, B} entfernen, verlieren Sie nur eine Quelle. Die alten Methoden haben dies übersehen, weil sie den „Schaden" nicht berücksichtigten, der durch das Entfernen der Gruppe entsteht.

Die Lösung: Die „Sequenzielle Eliminations"-Methode

Die Autoren schlagen einen neuen Denkansatz vor, der Sequenzielle Elimination genannt wird.

Stellen Sie sich vor, Sie sind ein Detektiv, der herausfinden muss, wie viel eine bestimmte Gruppe von Verdächtigen zu einem Verbrechen beigetragen hat. Anstatt sie alle auf einmal zu betrachten, entfernen Sie sie einzeln.

Sie entfernen die erste Person und sehen, wie sehr sich der „Tatort" (das Spiel) verändert.
Sie entfernen die zweite Person aus der verbleibenden Gruppe und sehen, wie sehr sich das verändert.
Sie summieren all diese Veränderungen auf.

Diese Methode bewältigt das Problem der „Doppelzählung" auf natürliche Weise. Wenn zwei Personen dasselbe tun, behebt das Entfernen der ersten Person das Problem, sodass das Entfernen der zweiten Person nichts verändert. Wenn sie verschiedene Dinge tun, verursacht das Entfernen beider eine große Veränderung.

Der Star der Show: Der „Union Shapley Value"

Die Autoren wenden diese Idee der „Sequenziellen Elimination" auf den berühmten Shapley Value an (eine Standardmethode zur Aufteilung von Belohnungen in der Spieltheorie). Sie nennen ihr neues Ergebnis den Union Shapley Value.

Was er misst: Er misst den gesamten „Schaden", den das Spiel erleidet, wenn die ganze Gruppe geht.
Die Metapher: Denken Sie an ein Puzzle. Der „Union Shapley Value" fragt: „Wenn wir diese bestimmte Gruppe von Puzzleteilen wegnehmen, wie viel vom Bild verschwindet?"
- Wenn die Teile sich überschneiden (redundant), verschwindet das Bild nicht so sehr.
- Wenn die Teile einzigartig sind und verschiedene Teile des Bildes abdecken, verschwindet das Bild stark.
Warum er besonders ist: Es ist die einzige Methode, die unabhängig von der Reihenfolge, in der Sie die Personen entfernen, fair ist. Sie behandelt die Gruppe als eine „Vereinigung" ihrer einzigartigen Beiträge und stellt sicher, dass niemand zweimal für dieselbe Arbeit kreditiert wird.

Das „Synergie"-Gegenstück: Der „Intersection Shapley Value"

Der Artikel führt auch ein „Zwillings"-Konzept ein, das Intersection Shapley Value genannt wird.

Die Analogie: Wenn der „Union"-Wert die gesamte Fläche misst, die von der Gruppe abgedeckt wird (wie die äußere Grenze eines Venn-Diagramms), misst der „Intersection"-Wert die Überlappung (den mittleren Teil, wo sich die Kreise berühren).
Was er tut: Er misst reine Synergie. Er fragt: „Wie viel Wert existiert nur, weil diese spezifischen Personen zusammenarbeiten?"
- Wenn A und B unabhängig sind, ist ihre Synergie null.
- Wenn A und B ein perfektes Team sind, das etwas erschafft, was keiner allein könnte, ist ihre Synergie hoch.

Die Autoren zeigen eine schöne Beziehung:

Gesamtwert der Gruppe = (Union Value) + (Intersection Value)

Oder in ihren Begriffen: Die Summe des gesamten Beitrags der Gruppe (Union) plus ihres reinen Teamwork-Bonus (Intersection) entspricht der Summe dessen, was sie erhalten würden, wenn sie nur Individuen wären.

Das große Ganze

Der Artikel baut im Wesentlichen ein neues Regelwerk für die Bewertung von Teams auf:

Alte Regeln: Einfach addieren oder zusammenkleben (fehlerhaft).
Neue Regel (Sequenzielle Elimination): Entfernen Sie sie einzeln, um die wahre Wirkung zu sehen.
Das Ergebnis: Dies führt zum Union Shapley Value, der die natürlichste Art ist zu sagen: „Diese Gruppe ist wertvoll, weil sie zusammen so viel Boden abdecken."
Der Bonus: Er gibt uns auch den Intersection Shapley Value, der uns genau sagt, wie viel „Magie" passiert, wenn sie zusammenarbeiten.

Die Autoren beweisen mathematisch, dass dieser Ansatz der logischste und fairste Weg ist, individuelle Punktzahlen auf Gruppen zu erweitern und die Blindstellen früherer Methoden zu beheben. Sie behaupten nicht, dass dies bereits ein magisches Heilmittel für reale Probleme ist, aber sie haben ein sehr starkes theoretisches Fundament dafür geschaffen, wie wir sollten über Gruppenwert nachdenken.

Technische Zusammenfassung: Sequenzielle Elimination und Union-Shapley-Wert für die Gruppenbewertung in koalitionalen Spielen

Problemstellung
In der kooperativen Spieltheorie und verwandten Bereichen wie der Netzwerkkentralität und der Datenschätzung im maschinellen Lernen besteht eine fundamentale Herausforderung darin, individuelle Spielerbewertungen auf Gruppen zu erweitern. Bestehende Methoden stützen sich typischerweise auf zwei einfache Ansätze:

Summation: Aggregation individueller Werte (z. B. die Summe der Shapley-Werte). Dies ignoriert die zugrunde liegende Struktur der Kooperation und die Abhängigkeiten zwischen den Spielern.
Zusammenführung: Behandlung der Gruppe als ein einziges zusammengeführtes Element und Bewertung desselben (z. B. der Merge-Shapley-Wert). Dies verändert die Spielstruktur und unterscheidet nicht zwischen unabhängigen und hochgradig abhängigen Spielern.

Beide Ansätze versagen häufig darin, Abhängigkeiten innerhalb von Gruppen korrekt zu erfassen. Beispielsweise kann in einem Spiel, in dem zwei disjunkte Paare von Spielern unabhängig voneinander Wert generieren, das Summieren individueller Werte oder das Zusammenführen von Gruppen fälschlicherweise zwei kooperierenden Spielern und zwei unabhängigen Spielern die gleiche Bedeutung zuschreiben, wodurch die Asymmetrie in ihrer systemischen Wirkung nicht widergespiegelt wird.

Methodik
Die Autoren schlagen eine dritte Methode vor, die auf der sequenziellen Elimination basiert. In diesem Rahmen werden Elemente einer Gruppe nacheinander entfernt, und ihre Bewertungen in den resultierenden reduzierten Spielen werden aggregiert. Die Kernhypothese besagt, dass diese Methode den Netto-Beitrag einer Gruppe auf natürliche Weise misst, indem sie überlappende Effekte abdiskontiert und sich auf den Schaden konzentriert, der durch das Fehlen der Gruppe verursacht wird.

Die Studie basiert auf einer umfassenden axiomatischen Analyse von Gruppenwerten in koalitionalen Spielen. Die Methodik umfasst:

Definition axiomatischer Klassen: Die Autoren führen eine Klasse von Gruppen-(schwach konsistenten) Semiwerten ein. Dies sind Gruppenwerte, die Linearität, Symmetrie, schwache Monotonie, Null-Spieler-Ausfall und die Dummy-Spieler-Axiomatik erfüllen. Sie definieren zudem eine entsprechende Klasse von Synergie-Semiwerten, die das Dummy-Spieler-Axiom durch das Dummifizierende-Spieler-Axiom (eingeführt von Grabisch und Roubens) ersetzen.
Sequenzielle Erweiterung: Die Arbeit zeigt, dass ein Spielerswert genau dann eine sequenzielle Erweiterung zulässt, wenn er die Eigenschaft der Ausgewogenen Beiträge erfüllt. Es wird bewiesen, dass jeder konsistente Semiwert (der Null-Spieler-Ausfall erfüllt) eine eindeutige sequenzielle Erweiterung zulässt.
Potenzialfunktion: Die Autoren nutzen die von Hart und Mas-Colell eingeführte Potenzialfunktion, um die sequenzielle Erweiterung des Shapley-Werts zu charakterisieren.

Hauptbeiträge und Ergebnisse

Der Union-Shapley-Wert:
Die Autoren führen den Union-Shapley-Wert als die eindeutige sequenzielle Erweiterung des Shapley-Werts ein. Er ist definiert als die Differenz zwischen dem Potenzial des ursprünglichen Spiels und dem Potenzial des Spiels nach Entfernung der Gruppe:
$US_S(N, v) = P(N, v) - P(N \setminus S, v) = \sum_{T \subseteq N, S \cap T \neq \emptyset} \frac{\Delta v(T)}{|T|}$
wobei $\Delta v(T)$ die Harsanyi-Dividenden sind.
- Interpretation: Dieser Wert misst den „Schaden", der dem Spiel zugefügt wird, wenn eine Gruppe ausscheidet. Er aggregiert Beiträge so, dass die Dividende jeder Koalition höchstens einmal gezählt wird, selbst wenn die Gruppe mehrere Mitglieder dieser Koalition enthält.
- Axiomatisierung: Der Union-Shapley-Wert wird eindeutig durch die Axiome Potenzial (oder Ausgewogene Beiträge) in Kombination mit Effizienz charakterisiert. Er ist zudem unter Gruppensemiwerten eindeutig durch Gruppengleichheit charakterisiert (alle Gruppen in einem Einstimmigkeitsspiel sind gleich wichtig).
Axiomatische Klassifizierung von Gruppenwerten:
Die Arbeit unterscheidet zwischen zwei Varianten der Gruppenbewertung:
- Gesamtwert: Werte, die den Gesamtwert einer Gruppe bewerten (z. B. Summenerweiterung, Merge-Shapley, Union-Shapley). Diese werden durch Gruppensemiwerte erfasst.
- Synergie: Werte, die die Synergie einer Gruppe messen (z. B. Interaktionsindex). Diese werden durch Synergie-Semiwerte erfasst.
  Die Autoren stellen eine funktionale Korrespondenz zwischen diesen beiden Klassen her. Insbesondere zeigen sie, dass der Merge-Shapley-Wert dem Interaktionsindex (ein synergetisches Gegenstück) entspricht und der Union-Shapley-Wert einem neuen synergetischen Wert entspricht, der als Intersection-Shapley-Wert bezeichnet wird.
Der Intersection-Shapley-Wert:
Definiert als die Summe der Dividenden von Koalitionen, die die gesamte Gruppe enthalten:
$IS_S(N, v) = \sum_{S \subseteq T \subseteq N} \frac{\Delta v(T)}{|T|}$
Dieser Wert misst den Schnitt der Beiträge. Für eine Gruppe der Größe zwei entspricht die Summe des Union-Shapley-Werts und des Intersection-Shapley-Werts der Summe der individuellen Shapley-Werte:
$US_{\{i,j\}}(N, v) + IS_{\{i,j\}}(N, v) = SV_i(N, v) + SV_j(N, v)$
Diese Zerlegung ermöglicht die Trennung des gemeinsamen Werts einer Gruppe in einen „Union"-Teil (Beiträge werden einmal gezählt) und einen „Intersection"-Teil (Synergie).
Vergleich mit bestehender Literatur:
Die Analyse klärt die Beziehung zwischen den vorgeschlagenen Werten und der bestehenden Literatur:
- Der Merge-Shapley-Wert (Marichal et al.) wird als der eindeutige Gruppensemiwert identifiziert, der das Dummy-Koalitions-Axiom erfüllt.
- Der Interaktionsindex (Grabisch und Roubens) wird als Synergie-Semiwert identifiziert, der sich von Gruppensemiwerten unterscheidet, da er das Standard-Dummy-Spieler-Axiom zugunsten des Dummifizierenden-Spieler-Axioms verletzt.
- Die Arbeit zeigt, dass der Ansatz der sequenziellen Erweiterung theoretisch robust ist, da er auf alle konsistenten Semiwerte anwendbar ist und Werte mit starken axiomatischen Eigenschaften liefert.

Bedeutung
Die Arbeit behauptet, dass der Ansatz der sequenziellen Erweiterung und insbesondere der Union-Shapley-Wert eine der natürlichsten und theoretisch fundiertesten Erweiterungen von Spielerswerten auf Gruppen in koalitionalen Spielen darstellen. Durch die Unterscheidung zwischen der Bewertung des Gesamtwerts und der Messung der Synergie bieten die Autoren einen einheitlichen Rahmen, der die Unterschiede zwischen bestehenden Konzepten in der Literatur verdeutlicht. Die Einführung des Union- und des Intersection-Shapley-Werts bietet neue Werkzeuge zur Analyse von Interaktionen, insbesondere in Szenarien, in denen die Überlappung von Beiträgen abdiskontiert werden muss (Union) oder wo reine Synergie isoliert werden muss (Intersection). Die Arbeit belegt, dass diese Werte keine willkürlichen Heuristiken sind, sondern eindeutig durch fundamentale Axiome wie Ausgewogene Beiträge, Potenzial und Gruppengleichheit bestimmt werden.

Das Problem: Zwei schlechte Wege zum Zählen

Die Lösung: Die „Sequenzielle Eliminations"-Methode

Der Star der Show: Der „Union Shapley Value"

Das „Synergie"-Gegenstück: Der „Intersection Shapley Value"

Das große Ganze

Mehr davon