論文の概要: A macro agent and its actions

• arxiv url: http://arxiv.org/abs/2004.00058v1
• Date: Tue, 31 Mar 2020 18:51:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 00:03:04.846409
• Title: A macro agent and its actions
• Title（参考訳）: マクロエージェントとその作用
• Authors: Larissa Albantakis, Francesco Massari, Maggie Beheler-Amass and Giulio Tononi
• Abstract要約: 統合情報理論(IIT)は、因果原理の集合に基づく因果関係の定量的な説明を提供する。 第一に、IIT形式主義は、複数のシステム要素からなる既約高次機構を含むシステムの因果構造の完全な説明を提供する。 第2に、システム統合情報の量(Phi$)は、システムが自身に課す因果的制約を測定し、マクロレベルの記述をピークにすることができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In science, macro level descriptions of the causal interactions within complex, dynamical systems are typically deemed convenient, but ultimately reducible to a complete causal account of the underlying micro constituents. Yet, such a reductionist perspective is hard to square with several issues related to autonomy and agency: (1) agents require (causal) borders that separate them from the environment, (2) at least in a biological context, agents are associated with macroscopic systems, and (3) agents are supposed to act upon their environment. Integrated information theory (IIT) (Oizumi et al., 2014) offers a quantitative account of causation based on a set of causal principles, including notions such as causal specificity, composition, and irreducibility, that challenges the reductionist perspective in multiple ways. First, the IIT formalism provides a complete account of a system's causal structure, including irreducible higher-order mechanisms constituted of multiple system elements. Second, a system's amount of integrated information ($\Phi$) measures the causal constraints a system exerts onto itself and can peak at a macro level of description (Hoel et al., 2016; Marshall et al., 2018). Finally, the causal principles of IIT can also be employed to identify and quantify the actual causes of events ("what caused what"), such as an agent's actions (Albantakis et al., 2019). Here, we demonstrate this framework by example of a simulated agent, equipped with a small neural network, that forms a maximum of $\Phi$ at a macro scale.
• Abstract（参考訳）: 科学において、複雑な力学系における因果的相互作用のマクロレベル記述は、一般的に便利であるとみなされるが、最終的には基礎となる微小成分の完全な因果的説明に還元される。 しかし、そのような還元主義的な視点は、自律性や機関に関するいくつかの問題、すなわち、(1)エージェントは環境から切り離す(causal)境界を必要とし、(2)少なくとも生物学的文脈では、エージェントはマクロシステムと関連づけられ、(3)エージェントは環境に作用することが求められている。 統合情報理論 (IIT) (Oizumi et al., 2014) は、因果的特異性、構成、既約性といった概念を含む一連の因果的原理に基づく因果関係の定量的な説明を提供する。 第一に、IIT形式主義は、複数のシステム要素からなる既約高次機構を含むシステムの因果構造の完全な説明を提供する。 第2に、システムの統合情報量($\phi$)は、システムが自身に作用する因果的制約を測定し、マクロな記述レベルでピークに達することができる(hoel et al., 2016; marshall et al., 2018)。 最後に、iitの因果原理は、エージェントの行動(albantakis et al., 2019)のような事象の実際の原因(何を引き起こすか)を特定し、定量化するためにも用いられる。 ここでは、このフレームワークを、小さなニューラルネットワークを備えたシミュレーションエージェントの例で示し、マクロスケールで最大$\phi$を形成する。

関連論文リスト

• Causal Mean Field Multi-Agent Reinforcement Learning [10.767740092703777]
  平均場強化学習(MFRL)と呼ばれるフレームワークは、平均場理論を用いることでスケーラビリティの問題を軽減することができる。 このフレームワークには、非定常環境下での本質的な相互作用を識別する能力がない。 拡張性問題に対処するために,因果平均Q-ラーニング (CMFQ) と呼ばれるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-20T02:15:58Z)
• Decomposing Interventional Causality into Synergistic, Redundant, and Unique Components [0.0]
  我々は、介入因果効果を相乗的で冗長でユニークな構成要素に分解する新しい枠組みを導入する。 本研究では,システム内の変数間で因果力がどのように分散しているかを体系的に定量化する数学的アプローチを開発する。
  論文  参考訳（メタデータ） (2025-01-20T12:34:51Z)
• Towards Definition of Higher Order Causality in Complex Systems [0.0]
  本稿では,因果推論に対する情報理論的アプローチの一般化と改良を提案する。 特に、多変量因果集合に因果的役割を割り当てるが、個々の入力には直交しない。 我々は、この概念を、実演理論的な例に適用し、生体物理学的に現実的な生体神経力学シミュレーションに応用することによって実証する。
  論文  参考訳（メタデータ） (2024-08-30T12:04:51Z)
• On the Resilience of LLM-Based Multi-Agent Collaboration with Faulty Agents [58.79302663733703]
  大規模言語モデルに基づくマルチエージェントシステムは、専門家エージェントの協力により、様々なタスクにまたがる優れた能力を示している。 しかし、不器用なエージェントや悪意のあるエージェントがシステム全体のパフォーマンスに与える影響は、まだ解明されていない。 本稿では, 種々のシステム構造の耐震性について考察する。
  論文  参考訳（メタデータ） (2024-08-02T03:25:20Z)
• On the Complexity of Multi-Agent Decision Making: From Learning in Games to Partial Monitoring [105.13668993076801]
  マルチエージェント強化学習(MARL)理論における中心的な問題は、構造条件やアルゴリズムの原理がサンプル効率の学習保証につながるかを理解することである。 本稿では,複数のエージェントを用いた対話型意思決定のための一般的な枠組みとして,この問題について考察する。 マルチエージェント意思決定における統計的複雑性を特徴付けることは、単一エージェント決定の統計的複雑性を特徴付けることと等価であることを示す。
  論文  参考訳（メタデータ） (2023-05-01T06:46:22Z)
• Provably Efficient Causal Model-Based Reinforcement Learning for Systematic Generalization [30.456180468318305]
  逐次的意思決定設定では、エージェントは、おそらく無限の、大きな環境の集合に対して体系的な一般化を達成することを目的としている。 本稿では,因果的視点を用いた体系的一般化の抽出可能な定式化について述べる。 特定の構造的仮定の下では、望まざる計画誤差を避けられない準最適項まで保証する単純な学習アルゴリズムを提供する。
  論文  参考訳（メタデータ） (2022-02-14T08:34:51Z)
• Generalization in Cooperative Multi-Agent Systems [49.16349318581611]
  協調型マルチエージェントシステムのための組合せ一般化(CG)の理論的基盤について検討する。 CGは、幅広いアプリケーションにまたがる実用性とデプロイ性を向上させることができるため、自律システムにとって非常に望ましい特徴である。
  論文  参考訳（メタデータ） (2022-01-31T21:39:56Z)
• CausalCity: Complex Simulations with Agency for Causal Discovery and Reasoning [68.74447489372037]
  本稿では,因果探索と反事実推論のためのアルゴリズムの開発を目的とした,高忠実度シミュレーション環境を提案する。 私たちの作業の中核となるコンポーネントは、複雑なシナリオを定義して作成することが簡単になるような、テキストの緊急性を導入することです。 我々は3つの最先端の手法による実験を行い、ベースラインを作成し、この環境の可利用性を強調する。
  論文  参考訳（メタデータ） (2021-06-25T00:21:41Z)
• ERMAS: Becoming Robust to Reward Function Sim-to-Real Gaps in Multi-Agent Simulations [110.72725220033983]
  Epsilon-Robust Multi-Agent Simulation (ERMAS)は、このようなマルチエージェントのsim-to-realギャップに対して堅牢なAIポリシーを学ぶためのフレームワークである。 ERMASは、エージェントリスク回避の変化に対して堅牢な税政策を学び、複雑な時間シミュレーションで最大15%社会福祉を改善する。 特に、ERMASは、エージェントリスク回避の変化に対して堅牢な税制政策を学び、複雑な時間シミュレーションにおいて、社会福祉を最大15%改善する。
  論文  参考訳（メタデータ） (2021-06-10T04:32:20Z)
• A Formal Framework for Reasoning about Agents' Independence in Self-organizing Multi-agent Systems [0.7734726150561086]
  本稿では,自己組織型マルチエージェントシステムの論理ベースフレームワークを提案する。 このようなシステムを検証する計算の複雑さは、標準atlの領域に近いままであることを示す。 また、制約満足問題をモデル化するためにフレームワークを使用する方法も示します。
  論文  参考訳（メタデータ） (2021-05-17T07:32:43Z)
• VCG Mechanism Design with Unknown Agent Values under Stochastic Bandit Feedback [104.06766271716774]
  本研究では,エージェントが自己の価値を知らない場合に,マルチラウンドの福祉最大化機構設計問題について検討する。 まず、福祉に対する後悔の3つの概念、各エージェントの個々のユーティリティ、メカニズムの3つの概念を定義します。 当社のフレームワークは価格体系を柔軟に制御し、エージェントと販売者の後悔のトレードオフを可能にする。
  論文  参考訳（メタデータ） (2020-04-19T18:00:58Z)

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。