論文の概要: Persistent And Scalable JADE: A Cloud based InMemory Multi-agent
Framework
- arxiv url: http://arxiv.org/abs/2009.06425v2
- Date: Wed, 16 Sep 2020 23:50:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 12:51:32.125682
- Title: Persistent And Scalable JADE: A Cloud based InMemory Multi-agent
Framework
- Title(参考訳): 永続的でスケーラブルなJADE:クラウドベースのインメモリマルチエージェントフレームワーク
- Authors: Nauman Khalid, Ghalib Ahmed Tahir, Peter Bloodsworth
- Abstract要約: 本研究は,メモリ内エージェント永続化フレームワークについて述べる。
2つのプロトタイプが実装され、1つは提案手法と、もう1つは確立されたエージェント持続性環境を用いて実現された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-agent systems are often limited in terms of persistenceand scalability.
This issue is more prevalent for applications inwhich agent states changes
frequently. This makes the existingmethods less usable as they increase the
agent's complexityand are less scalable. This research study has presented
anovel in-memory agent persistence framework. Two prototypeshave been
implemented, one using the proposed solution andthe other using an established
agent persistency environment.Experimental results confirm that the proposed
framework ismore scalable than existing approaches whilst providing asimilar
level of persistency. These findings will help futurereal-time multiagent
systems to become scalable and persistentin a dynamic cloud environment.
- Abstract(参考訳): マルチエージェントシステムは永続性とスケーラビリティの点で制限されることが多い。
この問題はエージェントステートが頻繁に変化するアプリケーションでより一般的である。
これにより、エージェントの複雑さが増大し、スケーラビリティが低下するため、既存のメソッドが使いにくくなります。
本研究は,anovel in-memory agent persistence frameworkを提案する。
2つのプロトタイプが実装され、1つは提案手法と、もう1つは確立されたエージェントの持続性環境を用いて実現されている。
これらの発見は、動的クラウド環境において、将来のリアルタイムマルチエージェントシステムがスケーラブルで永続的になるのに役立つだろう。
関連論文リスト
- AgentScope: A Flexible yet Robust Multi-Agent Platform [66.61478569048477]
AgentScopeは、メッセージ交換をコアコミュニケーションメカニズムとする、開発者中心のマルチエージェントプラットフォームである。
堅牢で柔軟なマルチエージェントアプリケーションを目指して、AgentScopeはビルトインとカスタマイズ可能なフォールトトレランスメカニズムを提供する。
論文 参考訳(メタデータ) (2024-02-21T04:11:28Z) - Towards Robust Multi-Modal Reasoning via Model Selection [8.37038849337004]
LLMはエージェントの"脳"として機能し、協調的な多段階タスク解決のための複数のツールを編成する。
我々はテスト時に無視できるランタイムオーバーヘッドを持つプラグインとして、$textitM3$フレームワークを提案する。
実験の結果,我々のフレームワークは,ユーザ入力とサブタスク依存の両方を考慮した動的モデル選択を可能にすることがわかった。
論文 参考訳(メタデータ) (2023-10-12T16:06:18Z) - Scalable Multi-agent Covering Option Discovery based on Kronecker Graphs [49.71319907864573]
本稿では,分解が容易なマルチエージェントスキル発見法を提案する。
我々のキーとなる考え方は、合同状態空間をクロネッカーグラフとして近似することであり、そのフィドラーベクトルを直接見積もることができる。
ラプラシアンスペクトルを直接計算することは、無限大の状態空間を持つタスクには難易度が高いことを考慮し、さらに本手法の深層学習拡張を提案する。
論文 参考訳(メタデータ) (2023-07-21T14:53:12Z) - MADiff: Offline Multi-agent Learning with Diffusion Models [82.59166059130702]
拡散モデル(DM)は,最近オフライン強化学習を含む様々なシナリオで大きな成功を収めている。
この問題に対処する新しい生成型マルチエージェント学習フレームワークであるMADiffを提案する。
本実験は,マルチエージェント学習タスクにおけるベースラインアルゴリズムと比較して,MADiffの優れた性能を示す。
論文 参考訳(メタデータ) (2023-05-27T02:14:09Z) - 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) - Factorization of Multi-Agent Sampling-Based Motion Planning [72.42734061131569]
現代のロボティクスは、共有環境内で複数のエンボディエージェントを動作させることが多い。
標準的なサンプリングベースのアルゴリズムは、ロボットの関節空間における解の探索に使用できる。
我々は、因子化の概念をサンプリングベースアルゴリズムに統合し、既存の手法への最小限の変更しか必要としない。
本稿では, PRM* のサンプル複雑性の観点から解析的ゲインを導出し, RRG の実証結果を示す。
論文 参考訳(メタデータ) (2023-04-01T15:50:18Z) - Agent-State Construction with Auxiliary Inputs [16.79847469127811]
本稿では,強化学習に補助的な入力を使用する方法の異なる方法を示す一連の例を示す。
これらの補助的な入力は、それ以外はエイリアスされるであろう観測を区別するために使用できることを示す。
このアプローチは、リカレントニューラルネットワークや切り離されたバックプロパゲーションといった最先端の手法を補完するものだ。
論文 参考訳(メタデータ) (2022-11-15T00:18:14Z) - Bridging the Domain Gap for Multi-Agent Perception [19.724227909352976]
マルチエージェント認識のための領域ギャップを橋渡しする,最初の軽量フレームワークを提案する。
我々のフレームワークは、複数の次元の機能を整列する学習可能な機能リサイザと、ドメイン適応のための疎いクロスドメイントランスフォーマーから構成されている。
提案手法は, 異なる領域からの特徴のギャップを効果的に埋めることができ, ポイントクラウドベースの3Dオブジェクト検出において, 少なくとも8%以上の精度で他のベースライン法よりも優れる。
論文 参考訳(メタデータ) (2022-10-16T05:29:21Z) - Learning Multi-agent Skills for Tabular Reinforcement Learning using
Factor Graphs [41.17714498464354]
エージェント間の協調的な探索行動により,マルチエージェントの選択肢を直接計算できることが示唆された。
提案アルゴリズムは,マルチエージェントオプションの同定に成功し,シングルエージェントオプションや非オプションを用いることで,従来よりも大幅に性能が向上する。
論文 参考訳(メタデータ) (2022-01-20T15:33:08Z) - Meta-CPR: Generalize to Unseen Large Number of Agents with Communication
Pattern Recognition Module [29.75594940509839]
エージェント数が異なるマルチエージェント環境をマルチタスク問題として定式化する。
本稿では,メタ強化学習(meta-RL)フレームワークを提案する。
提案フレームワークはメタ学習型通信パターン認識(CPR)モジュールを用いて通信の振る舞いを識別する。
論文 参考訳(メタデータ) (2021-12-14T08:23:04Z) - Plan Better Amid Conservatism: Offline Multi-Agent Reinforcement
Learning with Actor Rectification [74.10976684469435]
オフライン強化学習(RL)アルゴリズムは、直接マルチエージェント設定に転送することができる。
本稿では,この重要な課題に対処するために,Actor Rectification (OMAR) を用いたオフラインマルチエージェント RL を提案する。
OMARはマルチエージェント連続制御ベンチマークにおける最先端性能と強いベースラインを著しく上回る。
論文 参考訳(メタデータ) (2021-11-22T13:27:42Z)
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。