論文の概要: Robust and Efficient Swarm Communication Topologies for Hostile
Environments
- arxiv url: http://arxiv.org/abs/2008.09575v1
- Date: Fri, 21 Aug 2020 16:38:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 22:05:08.126321
- Title: Robust and Efficient Swarm Communication Topologies for Hostile
Environments
- Title(参考訳): 敵対環境におけるロバストかつ効率的な群集コミュニケーショントポロジ
- Authors: Vipul Mann, Abhishek Sivaram, Laya Das, Venkat Venkatasubramanian
- Abstract要約: 本稿では,エージェントの損失が初期ネットワーク構成の関数などのアルゴリズムの性能に与える影響について検討する。
結果は、異なるトポロジに対する効率性、堅牢性、パフォーマンスの間の興味深いトレードオフを明らかにします。
- 参考スコア(独自算出の注目度): 0.4588028371034406
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Swarm Intelligence-based optimization techniques combine systematic
exploration of the search space with information available from neighbors and
rely strongly on communication among agents. These algorithms are typically
employed to solve problems where the function landscape is not adequately known
and there are multiple local optima that could result in premature convergence
for other algorithms. Applications of such algorithms can be found in
communication systems involving design of networks for efficient information
dissemination to a target group, targeted drug-delivery where drug molecules
search for the affected site before diffusing, and high-value target
localization with a network of drones. In several of such applications, the
agents face a hostile environment that can result in loss of agents during the
search. Such a loss changes the communication topology of the agents and hence
the information available to agents, ultimately influencing the performance of
the algorithm. In this paper, we present a study of the impact of loss of
agents on the performance of such algorithms as a function of the initial
network configuration. We use particle swarm optimization to optimize an
objective function with multiple sub-optimal regions in a hostile environment
and study its performance for a range of network topologies with loss of
agents. The results reveal interesting trade-offs between efficiency,
robustness, and performance for different topologies that are subsequently
leveraged to discover general properties of networks that maximize performance.
Moreover, networks with small-world properties are seen to maximize performance
under hostile conditions.
- Abstract(参考訳): 群知能に基づく最適化手法は、探索空間の体系的な探索と隣人からの情報を組み合わせ、エージェント間の通信に強く依存する。
これらのアルゴリズムは通常、関数のランドスケープが十分に知られていない問題や、他のアルゴリズムの早期収束をもたらす複数の局所光学系を解くために用いられる。
このようなアルゴリズムの応用は、標的グループへの効率的な情報伝達のためのネットワークの設計、薬物分子が拡散前に影響部位を探索するターゲットドラッグデリバリー、ドローンネットワークによる高価値ターゲットローカライゼーションを含む通信システムに見ることができる。
そのようなアプリケーションのいくつかでは、エージェントは、探索中にエージェントを失う可能性がある敵対的な環境に直面します。
このような損失はエージェントの通信トポロジを変えるため、エージェントに利用可能な情報は最終的にアルゴリズムの性能に影響を与える。
本稿では,初期ネットワーク構成の機能として,エージェントの損失がアルゴリズムの性能に与える影響について検討する。
敵環境下で複数の準最適領域を持つ目的関数を最適化するために、粒子群最適化を用い、エージェントの喪失を伴うネットワークトポロジの幅広い性能について検討する。
その結果, 効率性, 堅牢性, 性能の相違がみられ, 性能を最大化するネットワークの一般特性の発見に活用されることがわかった。
さらに,小世界の特性を持つネットワークは,敵対的条件下でのパフォーマンスを最大化する。
関連論文リスト
- Optimization and Learning in Open Multi-Agent Systems [1.0249620437941]
本稿では,「オープンネットワーク」における多種多様な問題に対処する新しい分散アルゴリズムを提案する。
提案アルゴリズムは動的コンセンサス(英語版)の解決や,興味のあるメトリクスの追跡に使用される。
論文 参考訳(メタデータ) (2025-01-28T10:40:09Z) - Asynchronous Message-Passing and Zeroth-Order Optimization Based Distributed Learning with a Use-Case in Resource Allocation in Communication Networks [11.182443036683225]
分散学習と適応は大きな関心を集め、機械学習信号処理に広く応用されている。
本稿では、エージェントが共通のタスクに向けて協調するシナリオに焦点を当てる。
送信者として働くエージェントは、グローバルな報酬を最大化するために、それぞれのポリシーを共同で訓練する。
論文 参考訳(メタデータ) (2023-11-08T11:12:27Z) - Attention Based Feature Fusion For Multi-Agent Collaborative Perception [4.120288148198388]
グラフアテンションネットワーク(GAT)の形での中間的協調認識ソリューションを提案する。
提案手法は,複数の連結エージェント間で交換される中間表現を融合するアテンションベースのアグリゲーション戦略を開発する。
このアプローチは、チャネルレベルと空間レベルの中間特徴写像における重要な領域を適応的に強調することにより、オブジェクト検出精度が向上する。
論文 参考訳(メタデータ) (2023-05-03T12:06:11Z) - Compressed Regression over Adaptive Networks [58.79251288443156]
分散エージェントのネットワークによって達成可能な性能を導出し,通信制約や回帰問題を解消し,適応的に解決する。
エージェントによって最適化に必要なパラメータをオンラインで学習できる最適化アロケーション戦略を考案する。
論文 参考訳(メタデータ) (2023-04-07T13:41:08Z) - Multi-agent Reinforcement Learning with Graph Q-Networks for Antenna
Tuning [60.94661435297309]
モバイルネットワークの規模は、手作業による介入や手作業による戦略を使ってアンテナパラメータの最適化を困難にしている。
本研究では,モバイルネットワーク構成をグローバルに最適化するマルチエージェント強化学習アルゴリズムを提案する。
シミュレーション環境におけるアンテナ傾き調整問題とジョイント傾き・電力制御問題に対するアルゴリズムの性能を実証的に示す。
論文 参考訳(メタデータ) (2023-01-20T17:06:34Z) - CONetV2: Efficient Auto-Channel Size Optimization for CNNs [35.951376988552695]
本研究は,チャネルサイズのマイクロサーチ空間を調べることにより,計算制約のある環境において効率的な手法を提案する。
チャネルサイズ最適化に際し、ネットワークの異なる接続層内の依存関係を抽出する自動アルゴリズムを設計する。
また、テスト精度と高い相関性を持ち、個々のネットワーク層を解析できる新しいメトリクスも導入する。
論文 参考訳(メタデータ) (2021-10-13T16:17:19Z) - Unsupervised Domain-adaptive Hash for Networks [81.49184987430333]
ドメイン適応型ハッシュ学習はコンピュータビジョンコミュニティでかなりの成功を収めた。
UDAHと呼ばれるネットワークのための教師なしドメイン適応型ハッシュ学習手法を開発した。
論文 参考訳(メタデータ) (2021-08-20T12:09:38Z) - Loss Function Discovery for Object Detection via Convergence-Simulation
Driven Search [101.73248560009124]
本稿では,効率的な収束シミュレーションによる進化的探索アルゴリズムCSE-Autolossを提案する。
一般的な検出器上での損失関数探索の広範囲な評価を行い、探索された損失の優れた一般化能力を検証した。
実験の結果, 2段検出器と1段検出器のmAPでは, 最適損失関数の組み合わせが1.1%と0.8%を上回っていることがわかった。
論文 参考訳(メタデータ) (2021-02-09T08:34:52Z) - On the use of local structural properties for improving the efficiency
of hierarchical community detection methods [77.34726150561087]
本研究では,階層型コミュニティ検出の効率向上のために,局所構造ネットワーク特性をプロキシとして利用する方法について検討する。
また,ネットワークプルーニングの性能への影響を,階層的コミュニティ検出をより効率的にするための補助的手法として検証する。
論文 参考訳(メタデータ) (2020-09-15T00:16:12Z) - Distributed Optimization, Averaging via ADMM, and Network Topology [0.0]
センサローカライゼーションの現実問題において,ネットワークトポロジと異なるアルゴリズムの収束率の関係について検討する。
また、ADMMと持ち上げマルコフ連鎖の間の興味深い関係を示すとともに、その収束を明示的に特徴づける。
論文 参考訳(メタデータ) (2020-09-05T21:44:39Z) - Fitting the Search Space of Weight-sharing NAS with Graph Convolutional
Networks [100.14670789581811]
サンプルサブネットワークの性能に適合するグラフ畳み込みネットワークを訓練する。
この戦略により、選択された候補集合において、より高いランク相関係数が得られる。
論文 参考訳(メタデータ) (2020-04-17T19:12:39Z)
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。