AI اور دنیا کے مشکل مسائل · نظریاتی کمپیوٹر سائنس · arXiv · 2026-10-22

{'attributes': {}, 'data': 'ڈائنامک نیٹ ورکس کے گلوبل-لوکل کنٹرول کے لیے ری انفورسمنٹ لرننگ، نظامی رسک میں اطلاقات کے ساتھ', 'type': 'text'}

اصل عنوان: Reinforcement Learning for Global-Local Control of Dynamic Networks with Applications to Systemic Risk

مصنفین متحرک نیٹ ورکس پر کنٹرول مسائل کے لیے ری انفورسمنٹ لرننگ کا ایک فریم ورک تجویز کرتے ہیں، جہاں فیصلے گراف کی سطح کے عالمی اقدامات کو نوڈ کی سطح کے مقامی اقدامات کے ساتھ یکجا کرتے ہیں۔ الگ الگ عالمی اور مقامی پالیسی ہیڈز والا message-passing نیورل نیٹ ورک ایسی پالیسیاں حاصل کرتا ہے جو پرمیوٹیشن تقارن اور شفافیت کی پابندیوں پر پورا اترتی ہیں، اور واضح Lipschitz حدود ایک projected policy-gradient الگورتھم کے لیے convergence کی ضمانتیں فراہم کرتے ہیں۔ مالیاتی نیٹ ورکس میں نظامی خطرے کے انتظام پر اس کے اطلاق میں، جہاں ایک ریگولیٹر سرمایہ کی مداخلتوں کو مختلف اداروں میں تقسیم کرتا ہے، یہ ساخت معیاری feedforward بیس لائنز سے بہتر کارکردگی دکھاتی ہے اور بڑے نیٹ ورکس تک پیمانہ پذیر ہوتی ہے۔

اصل تحریر پڑھیں ↗

تمام آئٹمز →