論文の概要: Towards Heterogeneous Multi-Agent Reinforcement Learning with Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2009.13161v3
• Date: Tue, 20 Oct 2020 20:47:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 20:55:23.953315
• Title: Towards Heterogeneous Multi-Agent Reinforcement Learning with Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークを用いた異種多エージェント強化学習に向けて
• Authors: Douglas De Rizzo Meneghetti and Reinaldo Augusto da Costa Bianchi
• Abstract要約: 本研究では、異種マルチエージェント強化設定において、複数のエージェントクラスのポリシーを学習するニューラルネットワークアーキテクチャを提案する。 その結果、異種エンティティからなる環境において、エンティティクラス間の通信チャネルを専門化することが、より高いパフォーマンスを達成するための有望なステップであることが示されている。
• 参考スコア（独自算出の注目度）: 1.370633147306388
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work proposes a neural network architecture that learns policies for multiple agent classes in a heterogeneous multi-agent reinforcement setting. The proposed network uses directed labeled graph representations for states, encodes feature vectors of different sizes for different entity classes, uses relational graph convolution layers to model different communication channels between entity types and learns distinct policies for different agent classes, sharing parameters wherever possible. Results have shown that specializing the communication channels between entity classes is a promising step to achieve higher performance in environments composed of heterogeneous entities.
• Abstract（参考訳）: 本研究では,複数のエージェントクラスのポリシをヘテロジニアスなマルチエージェント強化設定で学習するニューラルネットワークアーキテクチャを提案する。 提案ネットワークは、状態のラベル付きグラフ表現を使用し、異なるエンティティクラスの異なるサイズの特徴ベクトルをエンコードし、リレーショナルグラフ畳み込み層を使用してエンティティタイプ間の異なる通信チャネルをモデル化し、異なるエージェントクラスの異なるポリシーを学習し、可能な限りパラメータを共有する。 その結果、エンティティクラス間の通信チャネルを特殊化することが、異種エンティティからなる環境で高いパフォーマンスを達成するための有望なステップであることが示されている。

関連論文リスト

• Histopathology Whole Slide Image Analysis with Heterogeneous Graph Representation Learning [78.49090351193269]
  本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。 具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。 我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-07-09T14:43:40Z)
• Multiplex Heterogeneous Graph Convolutional Network [25.494590588212542]
  異種ネットワーク埋め込みのための多重異種グラフ畳み込みネットワーク(MHGCN)を提案する。 我々のMHGCNは、多重異種ネットワークにおいて、異なる長さの有用な異種メタパス相互作用を自動的に学習することができる。
  論文  参考訳（メタデータ） (2022-08-12T06:17:54Z)
• HRKD: Hierarchical Relational Knowledge Distillation for Cross-domain Language Model Compression [53.90578309960526]
  大規模事前学習言語モデル(PLM)は、従来のニューラルネットワーク手法と比較して圧倒的な性能を示している。 階層的および領域的関係情報の両方を抽出する階層的関係知識蒸留法(HRKD)を提案する。
  論文  参考訳（メタデータ） (2021-10-16T11:23:02Z)
• Semi-Supervised Deep Learning for Multiplex Networks [20.671777884219555]
  多重ネットワークは複雑なグラフ構造であり、エンティティの集合が複数のタイプの関係によって相互に接続される。 マルチプレックスネットワーク上の構造認識表現学習のための,新しい半教師付き手法を提案する。
  論文  参考訳（メタデータ） (2021-10-05T13:37:43Z)
• Attention-driven Graph Clustering Network [49.040136530379094]
  我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。 AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。 AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
  論文  参考訳（メタデータ） (2021-08-12T02:30:38Z)
• Reinforced Neighborhood Selection Guided Multi-Relational Graph Neural Networks [68.9026534589483]
  RioGNNはReinforceed, recursive, flexible neighborhood selection guided multi-relational Graph Neural Network architectureである。 RioGNNは、各関係の個々の重要性の認識により、説明性を高めた差別的なノード埋め込みを学ぶことができる。
  論文  参考訳（メタデータ） (2021-04-16T04:30:06Z)
• A Latent Space Model for Multilayer Network Data [0.2538209532048866]
  アクターの共通集合上で定義された2つ以上のソーシャルネットワークを同時に特徴付けるベイズ統計モデルを提案する。 モデルの主な特徴は階層的な事前分布であり、システム全体を共同で表現することができる。 我々のモデルの性能は、アクターの種類、サイズ、関係性を考慮し、いくつかの実世界のデータセットを用いて説明される。
  論文  参考訳（メタデータ） (2021-02-18T00:53:44Z)
• Specializing Inter-Agent Communication in Heterogeneous Multi-Agent Reinforcement Learning using Agent Class Information [1.713291434132985]
  本稿では,マルチエージェント通信機能を有向ラベルエージェントグラフとして表現することを提案する。 また,完全協調型マルチエージェントタスクにおけるコミュニケーションを専門とするニューラルネットワークアーキテクチャも導入する。
  論文  参考訳（メタデータ） (2020-12-14T15:09:57Z)
• Layer-stacked Attention for Heterogeneous Network Embedding [0.0]
  レイヤスタックATTention Embedding (LATTE)は、各レイヤで上位のメタ関係を自動的に分解するアーキテクチャである。 LATTEは、異なる近傍範囲の異なるタイプのノードに対して、より解釈可能なアグリゲーションスキームを提供する。 帰納的ノード分類タスクと帰納的ノード分類タスクの両方において、LATTEは既存のアプローチと比較して最先端のパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2020-09-17T05:13:41Z)
• Learning to Combine: Knowledge Aggregation for Multi-Source Domain Adaptation [56.694330303488435]
  マルチソースドメイン適応(LtC-MSDA)フレームワークを併用する学習法を提案する。 簡単に言うと、知識グラフは様々なドメインのプロトタイプ上に構築され、セマンティックに隣接した表現間の情報伝達を実現する。 我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2020-07-17T07:52:44Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。