💰 quantitative finance

Nash without Numbers: A Social Choice Approach to Mixed Equilibria in Context-Ordinal Games

Dit artikel generaliseert het Nash-evenwicht naar "context-ordinaal" spelletjes door numerieke nutswaarden te vervangen door ordinaal geprefereerde rangschikkingen die worden geaggregeerd via de theorie van sociale keuze, waardoor bestaansvoorwaarden, complexiteitsgrenzen en leervergels worden vastgesteld voor evenwichten die rechtstreeks zijn afgeleid van menselijke voorkeuren zonder dat nauwkeurige nutselicatie vereist is.

Oorspronkelijke auteurs: Ian Gemp, Crystal Qian, Marc Lanctot, Kate Larson

Gepubliceerd 2026-05-11

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ian Gemp, Crystal Qian, Marc Lanctot, Kate Larson

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert de beste zet te bepalen in een spel, zoals Steen-Paper-Schaar, maar je hebt geen scorebord. Je weet niet dat winnen je "10 punten" oplevert en verliezen "0 punten". Het enige wat je weet, zijn je eigen gevoelens: "Ik geef de voorkeur aan winnen boven gelijkspel, en aan gelijkspel boven verliezen."

Decennia lang heeft de speltheorie (de wiskunde van strategie) hiermee worsteld. Het beroemde "Nash-evenwicht" een toestand waarin niemand zijn strategie wil veranderen vereist doorgaans kennis van die exacte puntwaarden. Als je die cijfers niet hebt, valt de wiskunde uiteen.

Dit artikel, "Nash zonder Cijfers", stelt een slimme nieuwe manier voor om dit probleem op te lossen. Het suggereert dat we stoppen met het verzinnen van nep-cijfers en in plaats daarvan de tools van de stemtheorie (sociale keuze) gebruiken om de beste zet te vinden.

Hier is de uiteenzetting van hun idee met behulp van eenvoudige analogieën:

1. Het Probleem: Het "Stille" Spel

In een normaal spel, als je tegenstander 25% van de tijd Steen speelt, 30% Paper en 45% Schaar, bereken je je "verwachte score" voor elke zet die je zou kunnen doen. Je kiest degene met de hoogste score.

Maar in deze nieuwe setting kun je geen score berekenen. Je hebt alleen een lijst met voorkeuren. Als je tegenstander Steen speelt, kun je zeggen: "Ik geef de voorkeur aan Paper boven Schaar boven Steen." Als ze Paper spelen, kun je zeggen: "Ik geef de voorkeur aan Schaar boven Steen boven Paper."

De oude wiskunde vraagt: "Wat is de gemiddelde score?"
De nieuwe wiskunde vraagt: "Als we onder al deze verschillende scenario's een stemming zouden houden, wie zou er winnen?"

2. De Oplossing: De "Menigte Stemmen" Metafoor

De auteurs stellen een scenario voor waarin de gemengde strategie van je tegenstander (hun willekeurige mix van zetten) een menigte kiezers creëert.

De Analogie: Stel je voor dat de strategie van je tegenstander een weersvoorspelling is. Het is 25% Zonnig, 30% Bewolkt en 45% Regenachtig.
De Stemmen: Voor elk type weer heb je een andere voorkeur voor wat je aan moet trekken.
- Als het Zonnig is, stem je: "Korte broek > Jeans > Jas."
- Als het Bewolkt is, stem je: "Jeans > Korte broek > Jas."
- Als het Regenachtig is, stem je: "Jas > Jeans > Korte broek."
De Verkiezing: Stel je nu een massale verkiezing voor waarbij 25% van de kiezers "Zonnige kiezers" zijn, 30% "Bewolkte kiezers" en 45% "Regenachtige kiezers".
De Winnaar: Je berekent geen gemiddelde temperatuur. In plaats daarvan pas je een stemregel toe (zoals Borda-telling of Maximale Loterijen) op deze menigte. Het item dat de verkiezing wint, is je "Beste Reactie".

Het artikel noemt dit een Context-ordinaal Nash-evenwicht. Het is een stabiele toestand waarin, als iedereen zijn "stemwinnende" optie speelt, niemand een prikkel heeft om zijn strategie te veranderen.

3. Waarom Dit Belangrijk Is: Mensen in de Wereld

Het artikel betoogt dat dit hoe mensen in veel situaties eigenlijk denken.

Verkiezingen: Kiezers zeggen meestal niet: "Ik geef Kandidaat A 8,4 punten en Kandidaat B 7,9 punten." Ze rangschikken ze gewoon: "A > B > C."
AI-evaluatie: Bij het testen van AI-agenten weten we vaak alleen welke er "beter" is in een specifiek spel, maar hebben we geen universeel scorebord om ze over alle spellen heen met elkaar te vergelijken.

De auteurs testten dit op twee real-world scenario's:

Videospel-agenten: Ze evalueerden AI-agenten die Atari-spellen speelden. In plaats van ruwe scores te gebruiken, rangschikten ze de agenten op basis van hoe goed ze presteerden tegen verschillende taken. Hun nieuwe methode vond een stabiele "beste" mix van agenten die robuust was tegen elke tegenstander.
Menselijke leiderschapsverkiezingen: Ze analyseerden gegevens uit een "Verdwaald op Zee"-experiment waarbij groepen een leider moesten kiezen. Ze ontdekten dat mensen vaak niet stemden op een manier die overeenkwam met een perfect evenwicht (ze maakten fouten of handelden op een verwarrende strategische manier). Hun nieuwe wiskunde kon echter succesvol berekenen hoe de "perfecte" strategische stemming eruit zou zien in dat rommelige, real-world scenario.

4. De "Regularisatie"-Truc

Een technische hindernis is dat stemming "springerig" kan zijn. Als één extra persoon zijn stem verandert, kan de winnaar plotseling omslaan van Kandidaat A naar Kandidaat B. Dit maakt het moeilijk om het evenwicht te leren of te vinden.

De auteurs introduceerden een "regularisatie"-truc. Denk hierbij aan een beetje ruis of verwarring toevoegen aan het stemproces.

Stel je voor dat een kiezer af en toe in de war raakt en voor een willekeurige optie stemt, of dat de "weersvoorspelling" een beetje wazig is.
Dit gladtrekt de "sprongen", waardoor het stemresultaat geleidelijk verandert in plaats van plotseling. Hierdoor kunnen computers standaard leeralgoritmen (zoals gradient descent) gebruiken om het evenwicht te vinden, net zoals ze dat doen in spellen met cijfers.

Samenvatting

Het artikel vervangt het concept van "een gemiddelde score berekenen" door "een gewogen verkiezing houden".

Oude manier: "Als ik Steen speel, krijg ik gemiddeld 5,2 punten."
Nieuwe manier: "Als ik Steen speel, en we houden een stemming op basis van hoe mijn tegenstander speelt, wint Steen de verkiezing."

Door dit te doen, creëerden ze een nieuw soort Nash-evenwicht dat werkt, zelfs als spelers alleen rangschikkingen hebben en geen cijfers. Dit bewijst dat je stabiele, rationele strategieën kunt vinden zonder ooit een specifieke waarde toe te kennen aan een winst of een verlies.

Technische Samenvatting: Nash zonder Getallen: Een Sociale Keuzetoegang tot Gemengde Evenwichten in Context-Ordinale Spellen

Probleemstelling

De klassieke speltheorie vertrouwt op het Nash-evenwicht (NE), een concept dat fundamenteel is geworteld in het maximaliseren van verwachte numerieke nuttigheidswaarden. Echter, in veel strategische scenario's – zoals verkiezingen, het eliciteren van menselijke voorkeuren en de evaluatie van agenten – zijn precieze cardinale nuttigheidswaarden niet beschikbaar of moeilijk te eliciteren. Hoewel spelers vaak ordinaire rangschikkingen van uitkomsten kunnen geven, wordt de standaarddefinitie van een "beste reactie" (het maximaliseren van verwachte nuttigheid) ongedefinieerd wanneer medespelers gemengde (probabilistische) strategieën hanteren. Eerdere pogingen om dit aan te pakken hebben ofwel de waarschijnlijkheidstheorie verlaten ten gunste van de possibiliteitstheorie, gemedieerde evenwichten geïntroduceerd die een coördinator van derden vereisen, of de analyse beperkt tot pure strategieën. De centrale uitdaging is een evenwicht met gemengde strategieën te definiëren dat uitsluitend vertrouwt op ordinaire voorkeuren, zonder aan te nemen dat toegang bestaat tot onderliggende cardinale nuttigheidswaarden.

Methodologie

De auteurs stellen een Context-Ordinaal Spel (COG)-kader voor en een corresponderend Context-Ordinaal Nash-evenwicht (CO-NE).

1. Context-Ordinale Spellen (COG)

In tegenstelling tot traditionele Ordinale Spellen (OG), waarbij spelers gezamenlijke uitkomsten globaal rangschikken, gaat een COG ervan uit dat spelers alleen hun eigen acties kunnen rangschikken conditie op de specifieke gezamenlijke acties van hun medespelers.

Definitie: Een COG is een tupel $\langle N, A, \rho \rangle$ , waarbij $\rho_i$ een gezamenlijke actie $a_{-i}$ van een medespeler afbeeldt op een voorkeursrelatie over de acties $A_i$ van speler $i$ .
Beste Reactie via Sociale Keuze: Om een beste reactie te definiëren tegen een gemengde strategie $x_{-i}$ , aggregeren de auteurs de "stemmen" (ordinaire rangschikkingen) gegenereerd door elke mogelijke $a_{-i}$ , gewogen naar hun waarschijnlijkheid $x_{-i}(a_{-i})$ . Dit creëert een populatie van stemmen. Vervolgens wordt een Dubbel Probabilistische Sociale Keuzefunctie (dpSCF) toegepast op deze populatie om de set van winnende acties te bepalen.
CO-NE: Een strategieprofiel $x$ is een CO-NE als de gemengde strategie van elke speler alleen massa toekent aan acties die winnen volgens de dpSCF toegepast op de stemmen gegenereerd door de strategieën van de andere spelers.

2. Existentie en Regularisatie

Existentie: De auteurs bewijzen het bestaan van een gemengd CO-NE onder lichte voorwaarden. Zij tonen aan dat als de dpSCF bovenhelft-hemicontinu (u.h.c.) is, een vast punt bestaat via het Vast-Punttheorema van Kakutani. Zij identificeren dat veel standaard stemregels (bijv. Borda, Maximaal Loterijen, Score-regels) hieraan voldoen wanneer ze worden beschouwd als het teruggeven van verdelingen in plaats van enkele winnaars.
Regularisatie: Om continuïteit en enkelvoudigheid te waarborgen (wat leren faciliteert), introduceren de auteurs een Geregulariseerde Beste Reactie. Dit omvat:
1. Perturbatie: Willekeurig vervangen van een fractie $p$ van de stempopulatie door "usurper"-stembiljetten (waarbij een gesamplede actie bovenaan wordt gerangschikt).
2. Gladdening: Toepassen van een Dirichlet-perturbatie op de verdeling van de medespelerstrategie $x_{-i}$ om discontinuïteiten bij gelijke standen te behandelen.
  Deze regularisatie zorgt ervoor dat de operator voor de beste reactie continu en enkelvoudig is, wat het gebruik van op gradiënten gebaseerd leren mogelijk maakt.

3. Leer- en Benaderingsmetrieken

Omdat nuttigheidswaarden ontbreken, kunnen traditionele exploitabiliteitsmetrieken niet direct worden gebruikt. Het artikel introduceert:

Afstand in Strategie-ruimte: Het meten van de afstand (bijv. Aardebeweegende Afstand) tussen de huidige strategie van een speler en de set van beste reacties.
Terugblik Winpercentage: Een meta-spelanalyse die de online strategie vergelijkt met een vaste terugblikstrategie die is geaggregeerd via de stemregel.
Vervormingsgrenzen: Het artikel leidt grenzen af voor de suboptimaliteit van CO-NE in vergelijking met een klassiek NE (als nuttigheidswaarden hadden bestaan). Het toont aan dat de additieve vervorming wordt begrensd door de vervorming van de stemregel zelf, geschaald naar de variatie in sommen van uitkomsten over verschillende acties van medespelers.

Belangrijkste Bijdragen

Generalisatie van Nash-evenwicht: Het artikel biedt de eerste definitie van een probabilistisch gemengd-strategie Nash-evenwicht dat uitsluitend werkt op ordinaire voorkeuren, en generaliseert zo het klassieke NE.
Theoretische Existentie: Het vestigt het bestaan van dergelijke evenwichten onder standaardvoorwaarden voor sociale keuzefuncties, en overbrugt zo speltheorie en theorie van sociale keuze.
Algoritmisch Kader: Het ontwikkelt leerregels (specifiek Follow the Regularized Leader, FTRL) en regularisatietechnieken om deze evenwichten te berekenen, en adresseert de computationele uitdagingen van discontinuïteiten in stemregels.
Complexiteitsanalyse: De auteurs tonen aan dat het berekenen van CO-NE over het algemeen niet in polynomiale tijd oplosbaar is (NP-hard in bepaalde settings), in contrast met eerder werk dat evenwichten in P zocht door de traditionele gefactoriseerde structuur op te offeren.
Vervormingsanalyse: Het kwantificeert de kosten van het gebruik van ordinaire informatie in plaats van cardinale nuttigheidswaarden, en biedt theoretische grenzen voor het verlies aan optimaliteit.

Resultaten en Toepassingen

De auteurs valideren hun theorie via twee distincte toepassingen:

Algemene Agent-evaluatie (Atari):
- Opzet: Het evalueren van AI-agenten tegen een set taken met behulp van een prestatiematrix waarbij agenten en taken spelers zijn.
- Methode: Agenten en taken worden behandeld als spelers in een COG. De "uitkomsten" worden vervangen door ordinaire rangschikkingen (bijv. op kwartiel gebaseerde cijfers).
- Uitkomst: Met behulp van FTRL met Sociale Graderingsfuncties (SGF) en Borda-tellingen, berekenen de auteurs een CO-NE. De resultaten tonen aan dat de "Rainbow"-agent zelfs onder vijandige taakverdelingen als de sterkste naar voren komt, wat robuustheid aantoont. De leercurven wijzen op convergentie en lage exploitabiliteit.
Menselijke Verkiezingsdata (Lost at Sea):
- Opzet: Analyse van menselijke data uit een "Lost at Sea"-taak voor leiderschapsselectie, waarbij 460 deelnemers in 115 groepen betrokken waren. Deelnemers geven een bereidheid-om-te-leiden score en een rangschikking van teamgenoten.
- Methode: Het verkiezingsmechanisme wordt gemodelleerd als een stochastisch COG. De auteurs analyseren of menselijk gedrag een CO-NE vormt.
- Uitkomst: Ongeveer 30% van de verkiezingen vertoonde profielen van een puur maximaal loterij Nash-evenwicht. In de resterende 70% toonden mensen prikkels om af te wijken (bijv. strategisch het verlagen van bereidheid-om-te-leiden scores om de runoff te manipuleren). De auteurs slaagden erin een Limiting Logit Equilibrium (LLE) te berekenen voor specifieke verkiezingen, wat strategisch gedrag onthulde (bijv. een speler die zich terugtrekt uit een race om de uitkomst te sturen naar een voorkeurskandidaat) dat overeenkomt met de CO-NE-theorie.

Betekenis en Claims

Het artikel claimt een generalisatie van het Nash-evenwicht te bieden die direct toepasbaar is op geëliciteerde voorkeuren, welke de fundamentele data zijn van menselijke interacties. Door het maximaliseren van verwachte nuttigheid te vervangen door aggregering via sociale keuze, maakt het kader evenwichtsanalyse mogelijk in settings waar numerieke nuttigheidswaarden onbekend of niet-bestaand zijn.

De auteurs benadrukken dat hun aanpak:

Geen ontdekking vereist van onderliggende cardinale nuttigheidswaarden.
De gefactoriseerde structuur van traditionele gemengde strategieën behoudt (in tegenstelling tot gemedieerde evenwichten).
Robuust is tegen mis-specificatie van nuttigheidswaarden, zolang de ordinaire rangschikking consistent blijft.
Een theoretisch en praktisch toolkit biedt voor het analyseren van strategisch gedrag in verkiezingen en het evalueren van AI-agenten zonder te vertrouwen op willekeurige numerieke scoring.

Het werk positioneert zichzelf als een "wiskunde zonder getallen"-benadering van speltheorie, waarbij eeuwenlange theorie van sociale keuze wordt ingezet om het probleem van evenwicht in ordinaire settings op te lossen.