論文の概要: Evolution of Cooperative Hunting in Artificial Multi-layered Societies

• arxiv url: http://arxiv.org/abs/2005.11580v5
• Date: Fri, 15 Jan 2021 19:43:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-11-30 03:36:35.811880
• Title: Evolution of Cooperative Hunting in Artificial Multi-layered Societies
• Title（参考訳）: 人工多層社会における協調狩猟の進化
• Abstract要約: 協調行動の複雑さは、マルチエージェントに基づく社会シミュレーションにおいて重要な問題である。 本稿では, 人工社会における協調狩猟行動の進化を研究するために, エージェントベースモデルを提案する。
• 参考スコア（独自算出の注目度）: 3.270664282725826
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The complexity of cooperative behavior is a crucial issue in multiagent-based social simulation. In this paper, an agent-based model is proposed to study the evolution of cooperative hunting behaviors in an artificial society. In this model, the standard hunting game of stag is modified into a new situation with social hierarchy and penalty. The agent society is divided into multiple layers with supervisors and subordinates. In each layer, the society is divided into multiple clusters. A supervisor controls all subordinates in a cluster locally. Subordinates interact with rivals through reinforcement learning, and report learning information to their corresponding supervisor. Supervisors process the reported information through repeated affiliation-based aggregation and by information exchange with other supervisors, then pass down the reprocessed information to subordinates as guidance. Subordinates, in turn, update learning information according to guidance, following the "win stay, lose shift" strategy. Experiments are carried out to test the evolution of cooperation in this closed-loop semi-supervised emergent system with different parameters. We also study the variations and phase transitions in this game setting.
• Abstract（参考訳）: 協調行動の複雑さは、マルチエージェントに基づく社会シミュレーションにおいて重要な問題である。 本稿では,人工社会における協調狩猟行動の進化を研究するために,エージェントベースモデルを提案する。 このモデルでは、ステージの標準的な狩猟ゲームは、社会的階層とペナルティを持つ新しい状況に修正される。 エージェント・ソサエティは、監督者と部下の複数の層に分けられる。 各層において、社会は複数のクラスターに分けられる。 スーパーバイザーは、クラスタ内のすべての部下をローカルに管理する。 部下は強化学習を通じてライバルと交流し、対応する上司に学習情報を報告する。 管理者は、繰り返しアフィリエイトベースのアグリゲーションや、他のスーパーバイザーとの情報交換を通じて報告された情報を処理し、その再処理された情報を部下に案内として渡す。 部下は"win stay, lost shift"戦略に従って、指導に従って学習情報を更新する。 パラメータの異なる閉ループ半教師付き創発システムにおける協調の進化をテストする実験を行った。 また,このゲーム設定における変化と相転移についても検討する。

関連論文リスト

• The Role of Network Topology and Opponent Information in Shaping Cooperation in Multi-Agent Reinforcement Learning Systems [9.180524457769751]
  本稿では,各エージェントが2人プレイの反復的囚人のジレンマを奏でることを学ぶシナリオについて検討する。 本研究では,ノード当たりの隣接ノード数と平均パス長が協調の出現に影響を及ぼす主要な要因であることを示す。
  論文  参考訳（メタデータ） (2026-08-29T01:05:50Z)
• Co-Evolution in Agentic Systems: Toward Self-Directed Evolution Beyond Human Design [55.30329388138526]
  本調査は,複数のエージェントと環境が互いに適応的な圧力を課す多成分自己進化であるエージェントシステムの共進化に焦点を当てた。 既存の論文を整理するために,システムがどのように人為的制約を徐々に覆い隠すかを追究する,進歩的な3段階分類法を提案する。
  論文  参考訳（メタデータ） (2026-08-10T23:10:40Z)
• EvolveNet: Collaborative Harness Evolution for Agent Self-Improvement [70.68218215070745]
  既存のアプローチでは、すべての実行エクスペリエンスを単一のハーネスにルーティングできると仮定している。 EvolveNetは、経験抽出をデータに移動させるハーネス進化のパラダイムである。
  論文  参考訳（メタデータ） (2026-08-05T15:37:18Z)
• Group Selection Promotes Prosocial Prompts in Populations of LLM Agents [1.7004466773233589]
  グループ選択は,大規模言語モデル(LLM)エージェントの集団における協調を促進することができるかを検討する。 グループ選択では、ハイパフォーマンスなグループからのプロンプトが送信され、それによって社会性の促進と協力の安定化が促進される。 予備的な発見は、選択メカニズムを知らせると、GPT-5.4は先制的に第1世代の寄付を徐々に調整することを示している。
  論文  参考訳（メタデータ） (2026-06-22T13:47:19Z)
• Beyond Individual Intelligence: Surveying Collaboration, Failure Attribution, and Self-Evolution in LLM-based Multi-Agent Systems [65.90791804095561]
  マルチエージェントシステムは、特殊エージェント間の構造化された協調を通じてこの問題に対処するが、より厳密な調整は、あまり検討されていないリスクを増幅する。 既存の調査では、個々のエージェント能力、マルチエージェントのコラボレーション、エージェントの自己進化を別々にカバーしている。 この調査は4つの因果関係のあるステージを中心にまとめられた統一されたレビューを提供する。これはLIFEの進展(Lay the capabilities foundation)、協力によるエージェントの統合、帰属による障害の発見、自律的な自己改善によるEvolveである。
  論文  参考訳（メタデータ） (2026-05-14T14:36:13Z)
• Super-additive Cooperation in Language Model Agents [4.14360329494344]
  この研究は、反復的相互作用とグループ間競争の複合効果が人間の協調傾向の原因であると主張する超付加的協調理論に着想を得たものである。 私たちは、言語モデルエージェントがチームに分かれて、囚人のジレンマゲームで互いに対決する仮想トーナメントを考案しました。 チーム内部のダイナミクスと外部の競争をシミュレートすることで、このブレンドによって、全体的なコラボレーションレベルと最初のコラボレーションレベルの両方が大幅に向上することが分かりました。
  論文  参考訳（メタデータ） (2025-08-21T12:36:44Z)
• Multi-Agent Collaboration via Evolving Orchestration [61.93162413517026]
  大規模言語モデル(LLM)は、様々な下流タスクで顕著な成果を上げているが、そのモノリシックな性質は複雑な問題解決におけるスケーラビリティと効率を制限している。 LLMをベースとしたマルチエージェントコラボレーションのためのパウチスタイルのパラダイムを提案し、中央オーケストレータがタスク状態の進化に応じてエージェントを動的に指示する。 クローズドドメインおよびオープンドメインシナリオの実験により,この手法は計算コストを低減し,優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2025-05-26T07:02:17Z)
• Assessing Collective Reasoning in Multi-Agent LLMs via Hidden Profile Tasks [5.120446836495469]
  我々は,マルチエージェントLLMシステムのための診断テストベッドとして,社会心理学からの隠れプロファイルパラダイムを紹介した。 エージェント間で重要な情報を非対称に分配することにより、エージェント間ダイナミクスが集団的推論をどのように支援するか、あるいは妨げるかを明らかにする。 協調エージェントは集団的設定において過度に協調する傾向にあるが,矛盾が集団収束を損なうことが示唆された。
  論文  参考訳（メタデータ） (2025-05-15T19:22:54Z)
• Emergent Dominance Hierarchies in Reinforcement Learning Agents [5.451419559128312]
  現代の強化学習(RL)アルゴリズムは、様々なタスクにおいて人間より優れている。 我々は、RLエージェントの集団が、新しい集団に支配階層を発明し、学習し、強制し、伝達できることを示します。 支配的な階層構造は、鶏、マウス、魚、その他の種で研究されるものと類似した構造を持つ。
  論文  参考訳（メタデータ） (2024-01-21T16:59:45Z)
• Deconstructing Cooperation and Ostracism via Multi-Agent Reinforcement Learning [3.3751859064985483]
  一方のエージェントが常に協力している場合でも,ネットワークのリワイアリングが相互協力を促進することを示す。 また、オストラシズムだけでは協力を浮かび上がらせるには不十分であることも分かっています。 本研究は,協力の出現に必要な条件とメカニズムについて考察した。
  論文  参考訳（メタデータ） (2023-10-06T23:18:55Z)
• 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)
• Learning Reward Machines in Cooperative Multi-Agent Tasks [75.79805204646428]
  本稿では,MARL(Multi-Agent Reinforcement Learning)に対する新しいアプローチを提案する。 これは、協調的なタスク分解と、サブタスクの構造をコードする報酬機(RM)の学習を組み合わせる。 提案手法は、部分的に観測可能な環境下での報酬の非マルコフ的性質に対処するのに役立つ。
  論文  参考訳（メタデータ） (2023-03-24T15:12:28Z)
• Learning cooperative behaviours in adversarial multi-agent systems [2.355408272992293]
  この作業は、RoboSumoと呼ばれる既存の仮想マルチエージェントプラットフォームを拡張して、TripleSumoを作成する。 我々は、2人のエージェント、すなわち「バグ」と「アント」が組んで別のエージェント「スパイダー」をアリーナから追い出さなければならないシナリオを調査する。 この目標を達成するため、新たに加わったエージェント「バグ」は「アント」とスパイダー」の対戦中に訓練される。
  論文  参考訳（メタデータ） (2023-02-10T22:12:29Z)
• ELIGN: Expectation Alignment as a Multi-Agent Intrinsic Reward [29.737986509769808]
  本稿では,自己監督型固有報酬ELIGN-期待アライメントを提案する。 動物が周囲の動物と分散的に協力するのと同じように、期待アライメントで訓練されたエージェントは、隣人の期待に合う行動を学ぶ。 エージェント・コーディネーションは、エージェントがタスクを個別に分割し、コーディネーション・対称性を破り、敵を混乱させ、予測アライメントを通じて改善することを示す。
  論文  参考訳（メタデータ） (2022-10-09T22:24:44Z)
• LDSA: Learning Dynamic Subtask Assignment in Cooperative Multi-Agent Reinforcement Learning [122.47938710284784]
  協調型MARLにおける動的サブタスク代入(LDSA)を学習するための新しいフレームワークを提案する。 エージェントを異なるサブタスクに合理的に割り当てるために,能力に基づくサブタスク選択戦略を提案する。 LDSAは、より優れたコラボレーションのために、合理的で効果的なサブタスクの割り当てを学習していることを示す。
  論文  参考訳（メタデータ） (2022-05-05T10:46:16Z)
• Coach-assisted Multi-Agent Reinforcement Learning Framework for Unexpected Crashed Agents [120.91291581594773]
  本稿では,予期せぬクラッシュを伴う協調型マルチエージェント強化学習システムの公式な定式化について述べる。 本稿では,教師支援型多エージェント強化学習フレームワークを提案する。 私たちの知る限りでは、この研究はマルチエージェントシステムにおける予期せぬクラッシュを初めて研究したものです。
  論文  参考訳（メタデータ） (2022-03-16T08:22:45Z)
• Evolving Dyadic Strategies for a Cooperative Physical Task [0.0]
  我々はシミュレートされたエージェントを進化させ、実現可能なロールスイッチングポリシーの空間を探索する。 これらの切り替えポリシーを協調的なマニュアルタスクに適用すると、エージェントは視覚的および触覚的手がかりを処理して、いつ役割を切り替えるかを決定する。 最高の演奏ダイアドは高い時間的調整(反同期)を示す。
  論文  参考訳（メタデータ） (2020-04-22T13:23:12Z)
• Hierarchically Decoupled Imitation for Morphological Transfer [95.19299356298876]
  形態学的に単純なエージェントから学習情報を転送することで、より複雑なエージェントのサンプル効率を大幅に向上させることができることを示す。 まず、より単純なエージェントの低レベルを模倣するために複雑なエージェントの低レベルをインセンティブ化すると、ゼロショット高レベル転送が大幅に改善されることを示す。 第2に,高レベルのKL正規化学習が学習を安定させ,モデム崩壊を防ぐことを示す。
  論文  参考訳（メタデータ） (2020-03-03T18:56:49Z)
• Multi-Agent Interactions Modeling with Correlated Policies [53.38338964628494]
  本稿では,マルチエージェントインタラクションモデリング問題をマルチエージェント模倣学習フレームワークに実装する。 相関ポリシー(CoDAIL)を用いた分散型適応模倣学習アルゴリズムの開発 様々な実験により、CoDAILはデモレーターに近い複雑な相互作用をより良く再生できることが示されている。
  論文  参考訳（メタデータ） (2020-01-04T17:31:53Z)

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。