論文の概要: Anytime and Efficient Coalition Formation with Spatial and Temporal Constraints

• arxiv url: http://arxiv.org/abs/2003.13806v3
• Date: Thu, 13 Aug 2020 16:23:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 08:21:47.041047
• Title: Anytime and Efficient Coalition Formation with Spatial and Temporal Constraints
• Title（参考訳）: 時間的制約と時間的制約を伴う任意の時間的かつ効率的な連立形成
• Authors: Luca Capezzuto and Danesh Tarapore and Sarvapali D. Ramchurn
• Abstract要約: 現在の最先端の CFSTP ソルバである Coalition Formation with Look-Ahead (CFLA) アルゴリズムには2つの制限がある。 我々は、改善されたルックアヘッド(CFLA2)を備えた結合形成(Coalition Formation)と呼ばれる拡張を定義し、より良いパフォーマンスを実現する。 CFLA2におけるCFLAの限界を排除できないため、CFSTPを解くための新しいアルゴリズムも開発している。
• 参考スコア（独自算出の注目度）: 18.029278336665012
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Coalition Formation with Spatial and Temporal constraints Problem (CFSTP) is a multi-agent task scheduling problem where the tasks are spatially distributed, with deadlines and workloads, and the number of agents is typically much smaller than the number of tasks, thus the agents have to form coalitions in order to maximise the number of completed tasks. The current state-of-the-art CFSTP solver, the Coalition Formation with Look-Ahead (CFLA) algorithm, has two main limitations. First, its time complexity is exponential with the number of agents. Second, as we show, its look-ahead technique is not effective in real-world scenarios, such as open multi-agent systems, where new tasks can appear at any time. In this work, we study its design and define an extension, called Coalition Formation with Improved Look-Ahead (CFLA2), which achieves better performance. Since we cannot eliminate the limitations of CFLA in CFLA2, we also develop a novel algorithm to solve the CFSTP, the first to be anytime, efficient and with provable guarantees, called Cluster-based Coalition Formation (CCF). We empirically show that, in settings where the look-ahead technique is highly effective, CCF completes up to 30% (resp. 10%) more tasks than CFLA (resp. CFLA2) while being up to four orders of magnitude faster. Our results affirm CCF as the new state-of-the-art algorithm to solve the CFSTP.
• Abstract（参考訳）: 空間的・時間的制約を伴う連合形成問題 (CFSTP) は、タスクが空間的に分散され、納期や作業量があり、エージェントの数は通常タスクの数よりもはるかに小さいため、エージェントは完了タスク数を最大化するために連立関係を形成する必要がある、マルチエージェントタスクスケジューリング問題である。 現在の最先端の CFSTP ソルバである Coalition Formation with Look-Ahead (CFLA) アルゴリズムには2つの制限がある。 第一に、その時間の複雑さはエージェントの数に指数関数的である。 第二に、そのルックアヘッド技術は、いつでも新しいタスクが現れるオープンマルチエージェントシステムのような現実世界のシナリオでは有効ではない。 本研究では,その設計を考察し,改良されたルックアヘッド(CFLA2)による統合形成(Coalition Formation with Improved Look-Ahead)と呼ばれる拡張を定義する。 CFLA2におけるCFLAの限界を排除できないため、CFSTPを解くための新しいアルゴリズムも開発している。 我々は、ルック・アヘッド・テクニックが非常に効果的である設定において、ccfは最大4桁の速さでcfla (resp. cfla2) よりも最大30% (resp. 10%) のタスクを完了していることを実証的に示す。 本研究は,CFSTPを解くための最先端アルゴリズムとしてCCFを確認した。

関連論文リスト

• Continuous Control with Coarse-to-fine Reinforcement Learning [15.585706638252441]
  本稿ではRLエージェントを粗い方法で連続的なアクション空間にズームインするよう訓練するフレームワークを提案する。 我々は、CQN(Coarse-to-fine Q-Network)と呼ばれる、具体的な価値に基づくアルゴリズムをフレームワーク内に導入する。 CQNは、オンライントレーニングの数分後に現実世界の操作タスクを解決するために、しっかりと学習している。
  論文  参考訳（メタデータ） (2024-07-10T16:04:08Z)
• RL-GPT: Integrating Reinforcement Learning and Code-as-policy [82.1804241891039]
  本稿では,低速エージェントと高速エージェントからなる2レベル階層型フレームワークRL-GPTを提案する。 遅いエージェントはコーディングに適したアクションを分析し、速いエージェントはコーディングタスクを実行する。 この分解は、各エージェントが特定のタスクに効果的に集中し、パイプライン内で非常に効率的なことを証明します。
  論文  参考訳（メタデータ） (2024-02-29T16:07:22Z)
• Client Orchestration and Cost-Efficient Joint Optimization for NOMA-Enabled Hierarchical Federated Learning [55.49099125128281]
  半同期クラウドモデルアグリゲーションの下で非直交多重アクセス(NOMA)を実現するHFLシステムを提案する。 提案手法は,HFLの性能改善と総コスト削減に関するベンチマークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-03T13:34:44Z)
• ConvBLS: An Effective and Efficient Incremental Convolutional Broad Learning System for Image Classification [63.49762079000726]
  球状K-means(SKM)アルゴリズムと2段階マルチスケール(TSMS)機能融合に基づく畳み込み広範学習システム(ConvBLS)を提案する。 提案手法は前代未聞の効率的かつ効果的である。
  論文  参考訳（メタデータ） (2023-04-01T04:16:12Z)
• Communication-Efficient Federated Bilevel Optimization with Local and Global Lower Level Problems [118.00379425831566]
  我々はFedBiOAccという通信効率の高いアルゴリズムを提案する。 我々は、FedBiOAcc-Localがこの種の問題に対して同じ速度で収束していることを証明する。 実験結果から,アルゴリズムの性能が向上した。
  論文  参考訳（メタデータ） (2023-02-13T21:28:53Z)
• MARLIN: Soft Actor-Critic based Reinforcement Learning for Congestion Control in Real Networks [63.24965775030673]
  そこで本研究では,汎用的な渋滞制御(CC)アルゴリズムを設計するための新しい強化学習(RL)手法を提案する。 我々の解であるMARLINは、Soft Actor-Criticアルゴリズムを用いてエントロピーとリターンの両方を最大化する。 我々は,MARLINを実ネットワーク上で訓練し,実ミスマッチを克服した。
  論文  参考訳（メタデータ） (2023-02-02T18:27:20Z)
• On Jointly Optimizing Partial Offloading and SFC Mapping: A Cooperative Dual-agent Deep Reinforcement Learning Approach [8.168647937560504]
  本稿では,計算可能なMECシステムにおける部分オフロードとSFCマッピング共同最適化(POSMJO)問題について検討する。 目的は、実行遅延、MDのエネルギー消費、エッジコンピューティングの利用料金を組み合わせた長期的な平均コストを最小化することである。 本稿では,協調型二エージェント深部強化学習(CDADRL)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-05-20T02:00:53Z)
• Speeding up Heterogeneous Federated Learning with Sequentially Trained Superclients [19.496278017418113]
  フェデレートラーニング(FL)は、ローカルなデータ共有を必要とせず、エッジデバイスの協調を可能にすることにより、プライバシに制約のあるシナリオで機械学習モデルをトレーニングすることを可能にする。 このアプローチは、ローカルデータセットとクライアントの計算的不均一性の異なる統計分布のために、いくつかの課題を提起する。 我々は、多種多様なクライアント、すなわちスーパークオリエントの部分グループのシーケンシャルトレーニングを活用して、集中型パラダイムをプライバシに準拠した方法でエミュレートする新しいフレームワークであるFedSeqを提案する。
  論文  参考訳（メタデータ） (2022-01-26T12:33:23Z)
• Large-scale, Dynamic and Distributed Coalition Formation with Spatial and Temporal Constraints [11.835884261097958]
  空間的制約問題 (CFSTP) と時間的制約問題 (CFSTP) はマルチエージェントタスク割り当て問題である。 完了したタスクの数を最大化するために、エージェントは連立を結成し、解散し、改革することで協力する必要がある。 D-CTSは、最初の大規模、動的、分散CFSTPベンチマークを設定。
  論文  参考訳（メタデータ） (2021-06-01T10:41:49Z)
• Age of Information Aware VNF Scheduling in Industrial IoT Using Deep Reinforcement Learning [9.780232937571599]
  深部強化学習(DRL)はそのような問題を解決するための有効な方法として現れている。 本論文では, 単一エージェントの低複素複素アクションアクター-クリティカルRLを用いて離散的および連続的なアクションの両方をカバーする。 その後、エージェントが互いに協力するマルチエージェントDRLスキームにソリューションを拡張します。
  論文  参考訳（メタデータ） (2021-05-10T09:04:49Z)
• A Cordial Sync: Going Beyond Marginal Policies for Multi-Agent Embodied Tasks [111.34055449929487]
  エージェントが協力して家具をリビングルームに移動させるという,新しいタスクFurnMoveを紹介した。 既存のタスクとは異なり、FurnMoveはエージェントが各タイミングで調整する必要がある。 既存の分散化されたアクションサンプリング手順は、表現力のある共同アクションポリシーを許さない。 SynC-policiesとCORDIALを用いて、我々のエージェントはFurnMoveで58%の完成率を達成する。
  論文  参考訳（メタデータ） (2020-07-09T17:59:57Z)

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。