論文の概要: On Emergent Communication in Competitive Multi-Agent Teams

• arxiv url: http://arxiv.org/abs/2003.01848v2
• Date: Thu, 16 Jul 2020 04:15:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 12:06:41.243580
• Title: On Emergent Communication in Competitive Multi-Agent Teams
• Title（参考訳）: 競争型マルチエージェントチームにおける創発的コミュニケーションについて
• Authors: Paul Pu Liang, Jeffrey Chen, Ruslan Salakhutdinov, Louis-Philippe Morency, Satwik Kottur
• Abstract要約: 外部のエージェントチームによるパフォーマンスの競争が社会的影響として作用するかどうかを検討する。 以上の結果から,外部競争の影響により精度と一般化が向上し,コミュニケーション言語が急速に出現することが示唆された。
• 参考スコア（独自算出の注目度）: 116.95067289206919
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Several recent works have found the emergence of grounded compositional language in the communication protocols developed by mostly cooperative multi-agent systems when learned end-to-end to maximize performance on a downstream task. However, human populations learn to solve complex tasks involving communicative behaviors not only in fully cooperative settings but also in scenarios where competition acts as an additional external pressure for improvement. In this work, we investigate whether competition for performance from an external, similar agent team could act as a social influence that encourages multi-agent populations to develop better communication protocols for improved performance, compositionality, and convergence speed. We start from Task & Talk, a previously proposed referential game between two cooperative agents as our testbed and extend it into Task, Talk & Compete, a game involving two competitive teams each consisting of two aforementioned cooperative agents. Using this new setting, we provide an empirical study demonstrating the impact of competitive influence on multi-agent teams. Our results show that an external competitive influence leads to improved accuracy and generalization, as well as faster emergence of communicative languages that are more informative and compositional.
• Abstract（参考訳）: 近年、下流タスクの性能を最大化するために、主に協調型マルチエージェントシステムによって開発された通信プロトコルにおいて、基底合成言語が出現することが報告されている。 しかし、人間の集団は、完全な協調的な環境だけでなく、競争が改善のための追加の外部圧力として働くシナリオにおいても、コミュニケーション行動に関わる複雑な課題を解決することを学ぶ。 本研究では、外部の類似エージェントチームによるパフォーマンス競争が、パフォーマンス、構成性、収束速度を改善するためのより良いコミュニケーションプロトコルを開発するマルチエージェント集団を奨励する社会的影響として機能するかどうかを検討する。 先程提案した2つの協力エージェント間の参照ゲームであるTask & Talkから始まり、前述の2つの協力エージェントで構成される2つの競争チームからなるゲームであるTask, Talk & Competeに拡張する。 この新しい設定を用いることで、マルチエージェントチームにおける競争の影響を実証する実証研究を行う。 以上の結果から,外部競争の影響は精度の向上や一般化につながり,より情報的かつ構成的なコミュニケーション言語がより早く出現することが示唆された。

関連論文リスト

• Mutual Theory of Mind in Human-AI Collaboration: An Empirical Study with LLM-driven AI Agents in a Real-time Shared Workspace Task [56.92961847155029]
  心の理論(ToM)は、他人を理解する上で重要な能力として、人間の協調とコミュニケーションに大きな影響を及ぼす。 Mutual Theory of Mind (MToM) は、ToM能力を持つAIエージェントが人間と協力するときに発生する。 エージェントのToM能力はチームのパフォーマンスに大きな影響を与えず,エージェントの人間的理解を高めていることがわかった。
  論文  参考訳（メタデータ） (2024-09-13T13:19:48Z)
• Improving Multi-Agent Debate with Sparse Communication Topology [9.041025703879905]
  マルチエージェントの議論は、推論や事実性タスクのための大規模言語モデルの品質向上に有効であることが証明されている。 本稿では,マルチエージェントシステムにおける通信接続の効果について検討する。 GPTモデルとMistralモデルを用いた実験により,疎通信トポロジを利用したマルチエージェントの議論が同等あるいは優れた性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2024-06-17T17:33:09Z)
• CompeteAI: Understanding the Competition Dynamics in Large Language Model-based Agents [43.46476421809271]
  大規模言語モデル(LLM)は、様々なタスクを完了させるエージェントとして広く使われている。 本稿ではエージェント間の競合を研究するための一般的な枠組みを提案する。 そして、GPT-4を用いて仮想街をシミュレートする現実的な競争環境を構築する。
  論文  参考訳（メタデータ） (2023-10-26T16:06:20Z)
• Cooperation, Competition, and Maliciousness: LLM-Stakeholders Interactive Negotiation [52.930183136111864]
  我々は,大言語モデル(LLM)を評価するためにスコーラブルネゴシエーション(scorable negotiations)を提案する。 合意に達するには、エージェントは強力な算術、推論、探索、計画能力を持つ必要がある。 我々は、新しいゲームを作成し、進化するベンチマークを持つことの難しさを増大させる手順を提供する。
  論文  参考訳（メタデータ） (2023-09-29T13:33:06Z)
• ProAgent: Building Proactive Cooperative Agents with Large Language Models [89.53040828210945]
  ProAgentは、大規模な言語モデルを利用してプロアクティブエージェントを生成する新しいフレームワークである。 ProAgentは現状を分析し、チームメイトの意図を観察から推測することができる。 ProAgentは高度なモジュール化と解釈可能性を示し、様々な調整シナリオに容易に統合できる。
  論文  参考訳（メタデータ） (2023-08-22T10:36:56Z)
• Building Cooperative Embodied Agents Modularly with Large Language Models [104.57849816689559]
  本研究では, 分散制御, 生の知覚観察, コストのかかるコミュニケーション, 様々な実施環境下でインスタンス化された多目的タスクといった課題に対処する。 我々は,LLMの常識知識,推論能力,言語理解,テキスト生成能力を活用し,認知に触発されたモジュラーフレームワークにシームレスに組み込む。 C-WAH と TDW-MAT を用いた実験により, GPT-4 で駆動される CoELA が, 強い計画に基づく手法を超越し, 創発的な効果的なコミュニケーションを示すことを示した。
  論文  参考訳（メタデータ） (2023-07-05T17:59:27Z)
• CAMEL: Communicative Agents for "Mind" Exploration of Large Language Model Society [58.04479313658851]
  本稿では,コミュニケーションエージェント間の自律的協調を支援するスケーラブルな手法の構築の可能性について検討する。 本稿では,ロールプレイングという新しいコミュニケーションエージェントフレームワークを提案する。 コントリビューションには、新しいコミュニケーティブエージェントフレームワークの導入、マルチエージェントシステムの協調行動や能力を研究するためのスケーラブルなアプローチの提供などが含まれます。
  論文  参考訳（メタデータ） (2023-03-31T01:09:00Z)
• Mixed Cooperative-Competitive Communication Using Multi-Agent Reinforcement Learning [0.0]
  混合協調競争環境に微分可能なエージェント間学習(DIAL)を適用した。 私たちは、チームにとってプライベートなコミュニケーションと、他のチームによって過度に耳を傾けるコミュニケーションの間のパフォーマンスの違いに注目します。
  論文  参考訳（メタデータ） (2021-10-29T13:25:07Z)
• Cooperative and Competitive Biases for Multi-Agent Reinforcement Learning [12.676356746752893]
  マルチエージェント強化学習(MARL)アルゴリズムのトレーニングは,単一エージェント強化学習アルゴリズムのトレーニングよりも難しい。 本稿では,他のエージェントの偏りのある行動情報を用いたMARL訓練を促進するアルゴリズムを提案する。 本アルゴリズムは, 多様な協調競合環境において, 既存のアルゴリズムを上回っていることを実証した。
  論文  参考訳（メタデータ） (2021-01-18T05:52:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。