論文の概要: The Emergence of Individuality

• arxiv url: http://arxiv.org/abs/2006.05842v2
• Date: Mon, 18 Oct 2021 08:12:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-23 04:02:29.676159
• Title: The Emergence of Individuality
• Title（参考訳）: 個性の創発
• Authors: Jiechuan Jiang and Zongqing Lu
• Abstract要約: マルチエージェント強化学習(MARL)における個人性(EOI)の出現の簡易かつ効率的な方法を提案する。 EOIは、観測されたエージェント上の確率分布を予測する確率的分類器を学習する。 EOIは, 様々なマルチエージェント協調シナリオにおいて, 既存手法を著しく上回っていることを示す。
• 参考スコア（独自算出の注目度）: 33.4713690991284
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Individuality is essential in human society, which induces the division of labor and thus improves the efficiency and productivity. Similarly, it should also be the key to multi-agent cooperation. Inspired by that individuality is of being an individual separate from others, we propose a simple yet efficient method for the emergence of individuality (EOI) in multi-agent reinforcement learning (MARL). EOI learns a probabilistic classifier that predicts a probability distribution over agents given their observation and gives each agent an intrinsic reward of being correctly predicted by the classifier. The intrinsic reward encourages the agents to visit their own familiar observations, and learning the classifier by such observations makes the intrinsic reward signals stronger and the agents more identifiable. To further enhance the intrinsic reward and promote the emergence of individuality, two regularizers are proposed to increase the discriminability of the classifier. We implement EOI on top of popular MARL algorithms. Empirically, we show that EOI significantly outperforms existing methods in a variety of multi-agent cooperative scenarios.
• Abstract（参考訳）: 個人性は、労働の分裂を誘発し、効率と生産性を向上させる人間社会において不可欠である。 同様に、マルチエージェント協調の鍵でもあるべきです。 個人性が他者とは別個であることに着想を得て,マルチエージェント強化学習(MARL)における個人性(EOI)の出現の簡易かつ効率的な方法を提案する。 EOIは、観察されたエージェントの確率分布を予測する確率的分類器を学習し、各エージェントが正しく分類器によって予測されるという本質的な報酬を与える。 内因性報酬は、エージェントが慣れ親しんだ観察を訪問することを奨励し、そのような観察によって分類器を学習することで、内因性報酬のシグナルが強くなり、エージェントがより識別しやすくなる。 内在的な報酬をさらに増やし、個性の発生を促進するために、2つの正規化剤が提案され、分類器の識別性が向上する。 一般的なMARLアルゴリズム上にEOIを実装した。 実験により、EOIは、様々なマルチエージェント協調シナリオにおいて、既存の手法を著しく上回ることを示す。

関連論文リスト

• Enhancing Heterogeneous Multi-Agent Cooperation in Decentralized MARL via GNN-driven Intrinsic Rewards [1.179778723980276]
  MARL(Multi-agent Reinforcement Learning)は、シーケンシャルな意思決定と制御タスクの鍵となるフレームワークである。 これらのシステムを現実のシナリオに展開するには、分散トレーニング、多様なエージェントセット、そして頻繁な環境報酬信号から学ぶ必要がある。 我々は,新しいグラフニューラルネットワーク(GNN)に基づく本質的なモチベーションを利用して,異種エージェントポリシーの学習を容易にするCoHetアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-08-12T21:38:40Z)
• Beyond Joint Demonstrations: Personalized Expert Guidance for Efficient Multi-Agent Reinforcement Learning [54.40927310957792]
  異種チーム内の各エージェントを個別にカスタマイズした、個人化された専門家によるデモンストレーションという新しい概念を導入する。 これらのデモンストレーションは、単独エージェントの行動と、各エージェントが協調的な要素を含まない個人的目標を達成する方法にのみ関係している。 本稿では、個人化された専門家によるデモンストレーションをガイダンスとして選択的に活用し、エージェントが協力することを学ぶためのアプローチを提案する。
  論文  参考訳（メタデータ） (2024-03-13T20:11:20Z)
• DCIR: Dynamic Consistency Intrinsic Reward for Multi-Agent Reinforcement Learning [84.22561239481901]
  本稿では,エージェントの行動が他のエージェントの行動と一致しているかどうかを学習するための新しいアプローチを提案する。 マルチエージェント粒子, Google Research Football および StarCraft II Micromanagement を含む複数の環境における DCIR の評価を行った。
  論文  参考訳（メタデータ） (2023-12-10T06:03:57Z)
• STRAPPER: Preference-based Reinforcement Learning via Self-training Augmentation and Peer Regularization [18.811470043767713]
  優先に基づく強化学習(PbRL)は、複雑な報酬関数を2進的な人間の好みで学習することを約束する。 本稿では,不定形ラベルを記憶した報酬モデルをペナルティ化し,自信ある予測を得る自己学習手法を提案する。
  論文  参考訳（メタデータ） (2023-07-19T00:31:58Z)
• Learning to Incentivize Other Learning Agents [73.03133692589532]
  我々は、学習インセンティブ関数を用いて、RLエージェントに他のエージェントに直接報酬を与える能力を持たせる方法を示す。 このようなエージェントは、一般的なマルコフゲームにおいて、標準のRLと対戦型エージェントを著しく上回っている。 私たちの仕事は、マルチエージェントの未来において共通の善を確実にする道のりに沿って、より多くの機会と課題を指しています。
  論文  参考訳（メタデータ） (2020-06-10T20:12:38Z)
• Randomized Entity-wise Factorization for Multi-Agent Reinforcement Learning [59.62721526353915]
  実世界のマルチエージェント設定は、エージェントや非エージェントエンティティのタイプや量が異なるタスクを伴うことが多い。 我々の方法は、これらの共通点を活用することを目的としており、「観察対象のランダムに選択されたサブグループのみを考えるとき、各エージェントが期待する効用は何か?」という問いを投げかける。
  論文  参考訳（メタデータ） (2020-06-07T18:28:41Z)
• Scalable Multi-Agent Inverse Reinforcement Learning via Actor-Attention-Critic [54.2180984002807]
  マルチエージェント逆逆強化学習 (MA-AIRL) は, 単エージェントAIRLをマルチエージェント問題に適用する最近の手法である。 本稿では,従来の手法よりもサンプル効率が高く,スケーラブルなマルチエージェント逆RLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-02-24T20:30:45Z)
• Individual specialization in multi-task environments with multiagent reinforcement learners [0.0]
  汎用知的エージェント構築の第一歩として,マルチエージェント強化学習(MARL)への関心が高まっている。 以前の結果は、調整、効率/公平性、共有プールリソース共有の条件の増大を示唆している。 マルチタスク環境において、複数の報奨タスクを実行できるため、エージェントは必ずしも全てのタスクでうまく機能する必要はないが、特定の条件下では特殊化される可能性がある。
  論文  参考訳（メタデータ） (2019-12-29T15:20:24Z)

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。