論文の概要: Resolving Resource Incompatibilities in Intelligent Agents
- arxiv url: http://arxiv.org/abs/2009.05898v1
- Date: Sun, 13 Sep 2020 02:09:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-19 02:58:21.808853
- Title: Resolving Resource Incompatibilities in Intelligent Agents
- Title(参考訳): インテリジェントエージェントの資源不整合性の解消
- Authors: Mariela Morveli-Espinoza, Ayslan Possebom, and Cesar Augusto Tacla
- Abstract要約: 本稿では,資源制限による不整合性に着目した。
追従目標の集合から資源不整合性を特定するアルゴリズムを提案し,その一方で,追従を続ける目標を選択するための2つの方法を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: An intelligent agent may in general pursue multiple procedural goals
simultaneously, which may lead to arise some conflicts (incompatibilities)
among them. In this paper, we focus on the incompatibilities that emerge due to
resources limitations. Thus, the contribution of this article is twofold. On
one hand, we give an algorithm for identifying resource incompatibilities from
a set of pursued goals and, on the other hand, we propose two ways for
selecting those goals that will continue to be pursued: (i) the first is based
on abstract argumentation theory, and (ii) the second based on two algorithms
developed by us. We illustrate our proposal using examples throughout the
article.
- Abstract(参考訳): 知的エージェントは一般に複数の手続き的目標を同時に追求し、それらの間にいくつかの衝突(矛盾)を引き起こす可能性がある。
本稿では,資源制限によって生じる非互換性に着目する。
したがって、この記事の貢献は2つある。
一方,探索された目標の集合から資源不整合性を特定するアルゴリズムを提案し,その一方で,追従を続ける目標を選択するための2つの方法を提案する。
(i)第一は抽象的議論理論に基づくもので、
(ii) 私たちが開発した2つのアルゴリズムに基づく2番目。
記事全体の例を使って提案について説明する。
関連論文リスト
- SEGO: Sequential Subgoal Optimization for Mathematical Problem-Solving [64.38649623473626]
大規模言語モデル(LLM)は人工知能の大幅な進歩を導いた。
数学的問題を解く能力を高めるために,textbfSEquential subtextbfGoal textbfOptimization (SEGO) という新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-19T17:56:40Z) - Setting the Right Expectations: Algorithmic Recourse Over Time [16.930905275894183]
本稿では,連続的に変化する環境がアルゴリズムの会話に与える影響を研究するためのエージェント・ベース・シミュレーション・フレームワークを提案する。
この結果から,特定のパラメータ化の小さなセットだけが,時間とともにエージェントに信頼性のあるアルゴリズム的リコースをもたらすことが明らかとなった。
論文 参考訳(メタデータ) (2023-09-13T14:04:15Z) - A Semantic Approach to Decidability in Epistemic Planning (Extended
Version) [72.77805489645604]
我々は決定可能性を達成するために新しい意味論的アプローチを用いる。
具体的には、知識の論理S5$_n$と(知識)可換性と呼ばれる相互作用公理を拡大する。
我々は,本フレームワークが,独立した知識である共通知識の有限的非固定点的特徴を認めていることを証明した。
論文 参考訳(メタデータ) (2023-07-28T11:26:26Z) - Similarity-based Memory Enhanced Joint Entity and Relation Extraction [3.9659135716762894]
文書レベルの共同エンティティと関係抽出は難解な情報抽出問題である。
タスク間の双方向メモリのような依存性を持つマルチタスク学習フレームワークを提案する。
実験により,提案手法が既存手法より優れていることが示された。
論文 参考訳(メタデータ) (2023-07-14T12:26:56Z) - 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) - Lexicographic Multi-Objective Reinforcement Learning [65.90380946224869]
このような問題を解決するために,アクション値アルゴリズムとポリシー勾配アルゴリズムの両方のファミリを提案する。
エージェントの動作に安全制約を課すのに我々のアルゴリズムをどのように使用できるかを示し、この文脈でのそれらの性能を他の制約付き強化学習アルゴリズムと比較する。
論文 参考訳(メタデータ) (2022-12-28T10:22:36Z) - Multi-agent Deep Covering Skill Discovery [50.812414209206054]
本稿では,複数エージェントの結合状態空間の予測被覆時間を最小化し,マルチエージェントオプションを構築するマルチエージェントDeep Covering Option Discoveryを提案する。
また、MARLプロセスにマルチエージェントオプションを採用するための新しいフレームワークを提案する。
提案アルゴリズムは,アテンション機構とエージェントの相互作用を効果的に把握し,マルチエージェントオプションの同定に成功した。
論文 参考訳(メタデータ) (2022-10-07T00:40:59Z) - Neural-guided, Bidirectional Program Search for Abstraction and
Reasoning [3.2348834229786885]
本稿では, ブルートフォース探索をベースとしない抽象化と推論の2つのアプローチの基礎を定めている。
まずDreamCoderと呼ばれる既存のプログラム合成システムを用いて、これまで解決されてきたタスクからシンボリックな抽象化を作成する。
第二に、人間がARCに近づく方法によって動機付けられた推論アルゴリズムを設計する。
論文 参考訳(メタデータ) (2021-10-22T00:41:47Z) - End-to-End Learning and Intervention in Games [60.41921763076017]
ゲームにおける学習と介入のための統一的なフレームワークを提供する。
明示的および暗黙的な区別に基づく2つのアプローチを提案する。
分析結果は、実世界のいくつかの問題を用いて検証される。
論文 参考訳(メタデータ) (2020-10-26T18:39:32Z) - An Argumentation-based Approach for Identifying and Dealing with
Incompatibilities among Procedural Goals [1.1744028458220426]
インテリジェントエージェントは複数のパース可能なゴールを生成し、それら間で互換性がない可能性がある。
本稿では,これらの非互換性の定義,識別,解決に焦点をあてる。
論文 参考訳(メタデータ) (2020-09-11T01:01:34Z) - Contextual and Possibilistic Reasoning for Coalition Formation [0.9790236766474201]
本稿では,マルチエージェントシステムにおけるエージェント間の連立関係の発見と評価について論じる。
まず、文脈的推論手法を用いて連立関係形成のための解空間を計算する。
第2に、エージェントをマルチコンテキストシステム(MCS)のコンテキストとしてモデル化し、エージェント間の依存関係をブリッジルールとしてモデル化する。
第3に、MCS均衡のためのアルゴリズムを用いて、すべての潜在的な連立性を体系的に計算し、機能的および非機能的要件のセットを与えられた上で、最適な解を選択する方法を提案する。
論文 参考訳(メタデータ) (2020-06-19T11:59:55Z)
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。