論文の概要: A game-theoretic analysis of networked system control for common-pool
resource management using multi-agent reinforcement learning
- arxiv url: http://arxiv.org/abs/2010.07777v1
- Date: Thu, 15 Oct 2020 14:12:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 05:38:39.078972
- Title: A game-theoretic analysis of networked system control for common-pool
resource management using multi-agent reinforcement learning
- Title（参考訳）: マルチエージェント強化学習を用いた共通プール資源管理のためのネットワークシステム制御のゲーム理論解析
- Authors: Arnu Pretorius, Scott Cameron, Elan van Biljon, Tom Makkink, Shahil
Mawjee, Jeremy du Plessis, Jonathan Shock, Alexandre Laterre, Karim Beguir
- Abstract要約: マルチエージェント強化学習は近年,ネットワーク型システム制御へのアプローチとして大きな可能性を秘めている。
共通プールの資源は耕作可能な土地、淡水、湿地、野生生物、魚類資源、森林、大気である。
- 参考スコア（独自算出の注目度）: 54.55119659523629
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-agent reinforcement learning has recently shown great promise as an
approach to networked system control. Arguably, one of the most difficult and
important tasks for which large scale networked system control is applicable is
common-pool resource management. Crucial common-pool resources include arable
land, fresh water, wetlands, wildlife, fish stock, forests and the atmosphere,
of which proper management is related to some of society's greatest challenges
such as food security, inequality and climate change. Here we take inspiration
from a recent research program investigating the game-theoretic incentives of
humans in social dilemma situations such as the well-known tragedy of the
commons. However, instead of focusing on biologically evolved human-like
agents, our concern is rather to better understand the learning and operating
behaviour of engineered networked systems comprising general-purpose
reinforcement learning agents, subject only to nonbiological constraints such
as memory, computation and communication bandwidth. Harnessing tools from
empirical game-theoretic analysis, we analyse the differences in resulting
solution concepts that stem from employing different information structures in
the design of networked multi-agent systems. These information structures
pertain to the type of information shared between agents as well as the
employed communication protocol and network topology. Our analysis contributes
new insights into the consequences associated with certain design choices and
provides an additional dimension of comparison between systems beyond
efficiency, robustness, scalability and mean control performance.
- Abstract（参考訳）: マルチエージェント強化学習は近年,ネットワーク型システム制御へのアプローチとして大きな可能性を秘めている。
大規模ネットワークシステム制御が適用可能な最も困難かつ重要なタスクの1つは、共通プールリソース管理である。
重要なコモンプール資源は耕作可能な土地、淡水、湿地、野生生物、魚類の備蓄、森林、大気であり、適切な管理は食料安全保障、不平等、気候変動といった社会の最大の課題に関係している。
ここでは,コモンズの悲劇のような社会的ジレンマ状況における人間のゲーム理論的インセンティブを研究する最近の研究プログラムから着想を得た。
しかし, 生物学的に進化した人型エージェントに焦点をあてるのではなく, 汎用強化学習エージェントからなるネットワークシステムにおいて, 記憶, 計算, 通信帯域幅といった非生物学的制約のみを考慮し, 学習と操作の振る舞いをよりよく理解することに関心がある。
経験的ゲーム理論の分析から,ネットワーク型マルチエージェントシステムの設計において,異なる情報構造を用いた結果の解概念の違いを解析する。
これらの情報構造は、エージェント間で共有される情報の種類と、採用される通信プロトコルとネットワークトポロジに関するものである。
我々の分析は、ある設計選択に関連する結果に対する新たな洞察を提供し、効率性、堅牢性、スケーラビリティ、平均制御性能を超えたシステム間の比較の余分な次元を提供する。
関連論文リスト
- Adaptive Network Intervention for Complex Systems: A Hierarchical Graph Reinforcement Learning Approach [0.8287206589886879]
本稿では,階層型グラフ強化学習フレームワークについて紹介する。
低い社会的学習の下では、HGRLマネージャは協力を維持し、コオペレーターが支配する堅牢なコア周辺ネットワークを形成する。
対照的に、高い社会的学習の欠陥は加速し、スパサーやチェーンのようなネットワークへと繋がる。
論文 参考訳（メタデータ） (2024-10-30T18:59:02Z) - Online Multi-modal Root Cause Analysis [61.94987309148539]
ルート原因分析(RCA)は、マイクロサービスシステムにおける障害の根本原因の特定に不可欠である。
既存のオンラインRCAメソッドは、マルチモーダルシステムにおける複雑な相互作用を見渡す単一モーダルデータのみを処理する。
OCEANは、根本原因の局在化のための新しいオンラインマルチモーダル因果構造学習手法である。
論文 参考訳（メタデータ） (2024-10-13T21:47:36Z) - Selective Exploration and Information Gathering in Search and Rescue Using Hierarchical Learning Guided by Natural Language Input [5.522800137785975]
本稿では,大規模言語モデル(LLM)と階層的強化学習(HRL)フレームワークを連携させるシステムを提案する。
提案システムは,人間の利害関係者からの言語入力を実用的なRLインサイトへ翻訳し,検索戦略を調整するように設計されている。
LLMによる人為的情報の利用とHRLによるタスク実行の構造化により、長い地平線とスパース報酬を特徴とする環境におけるエージェントの学習効率と意思決定プロセスを大幅に改善する。
論文 参考訳（メタデータ） (2024-09-20T12:27:47Z) - Synergistic information supports modality integration and flexible
learning in neural networks solving multiple tasks [107.8565143456161]
本稿では,様々な認知タスクを行う単純な人工ニューラルネットワークが採用する情報処理戦略について検討する。
結果は、ニューラルネットワークが複数の多様なタスクを学習するにつれて、シナジーが増加することを示している。
トレーニング中に無作為にニューロンを停止させると、ネットワークの冗長性が増加し、ロバスト性の増加に対応する。
論文 参考訳（メタデータ） (2022-10-06T15:36:27Z) - A Survey on Large-Population Systems and Scalable Multi-Agent
Reinforcement Learning [18.918558716102144]
我々は、大規模人口システムを理解し分析するための現在のアプローチに光を当てる。
我々は,大規模制御の応用の可能性を調査し,実践システムにおける学習アルゴリズムの有能な将来的応用について検討する。
論文 参考訳（メタデータ） (2022-09-08T14:58:50Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳（メタデータ） (2021-07-08T18:01:02Z) - Modelling Cooperation in Network Games with Spatio-Temporal Complexity [11.665246332943058]
複雑なグリッドワールドドメインにおける自己組織化協調の出現について検討する。
マルチエージェント深層強化学習を用いて,エージェント・ソサエティの多種多様なメカニズムをシミュレートした。
本手法は,人間および人工エージェントシステムにおける機構設計に影響を及ぼす。
論文 参考訳（メタデータ） (2021-02-13T12:04:52Z) - Automated Search for Resource-Efficient Branched Multi-Task Networks [81.48051635183916]
我々は,多タスクニューラルネットワークにおける分岐構造を自動的に定義する,微分可能なニューラルネットワーク探索に根ざした原理的アプローチを提案する。
本手法は,限られた資源予算内で高い性能の分岐構造を見いだすことができる。
論文 参考訳（メタデータ） (2020-08-24T09:49:19Z) - Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。
接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。
この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
論文 参考訳（メタデータ） (2020-08-19T04:53:31Z) - Multivariate Relations Aggregation Learning in Social Networks [39.576490107740135]
ソーシャルネットワークのグラフ学習タスクでは,多変量関係情報の識別と活用がより重要である。
既存のグラフ学習手法は近隣情報拡散機構に基づいている。
本稿では,ネットワーク環境における多変量関係情報を効果的に取得できる多変量関係集約学習法を提案する。
論文 参考訳（メタデータ） (2020-08-09T04:58:38Z)
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。