Fugu-MT 論文翻訳(概要): Human-Agent Cooperation in Bridge Bidding

論文の概要: Human-Agent Cooperation in Bridge Bidding

arxiv url: http://arxiv.org/abs/2011.14124v1
Date: Sat, 28 Nov 2020 12:37:02 GMT
ステータス: 処理完了
システム内更新日: 2022-09-19 19:40:01.529041
Title: Human-Agent Cooperation in Bridge Bidding
Title（参考訳）: 橋梁入札におけるヒューマンエージェント連携
Authors: Edward Lockhart, Neil Burch, Nolan Bard, Sebastian Borgeaud, Tom Eccles, Lucas Smaira, Ray Smith
Abstract要約: 協調ゲームに人間互換の強化学習手法を導入する。我々は、サードパーティのハンドコーディングされた人間互換のボットを使用して、初期トレーニングデータを生成し、初期評価を行う。訓練されたエージェントは、3つの設定でブリッジ入札のための新しい最先端技術を達成する。
参考スコア（独自算出の注目度）: 11.819238058650015
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce a human-compatible reinforcement-learning approach to a cooperative game, making use of a third-party hand-coded human-compatible bot to generate initial training data and to perform initial evaluation. Our learning approach consists of imitation learning, search, and policy iteration. Our trained agents achieve a new state-of-the-art for bridge bidding in three settings: an agent playing in partnership with a copy of itself; an agent partnering a pre-existing bot; and an agent partnering a human player.
Abstract（参考訳）: 本稿では,人間互換の強化学習手法を協調型ゲームに導入し,サードパーティのハンドコード型人間対応ボットを用いて初期トレーニングデータを生成し,初期評価を行う。私たちの学習アプローチは、模倣学習、探索、ポリシー反復で構成されています。訓練されたエージェントは、自分自身のコピーと協調してプレーするエージェント、既存のボットとパートナーするエージェント、人間のプレイヤーとパートナーするエージェントの3つの設定で、ブリッジ入札のための新しい最先端技術を達成する。

関連論文リスト

ProAgent: Building Proactive Cooperative Agents with Large Language Models [89.53040828210945]
ProAgentは、大規模な言語モデルを利用してプロアクティブエージェントを生成する新しいフレームワークである。 ProAgentは現状を分析し、チームメイトの意図を観察から推測することができる。 ProAgentは高度なモジュール化と解釈可能性を示し、様々な調整シナリオに容易に統合できる。
論文参考訳（メタデータ） (2023-08-22T10:36:56Z)
A Hierarchical Approach to Population Training for Human-AI Collaboration [20.860808795671343]
階層型強化学習(HRL)に基づくヒューマンAIコラボレーション手法を提案する。本手法は,2人のプレイヤーによるオーバークッキングゲーム環境において,異なるプレイスタイルとスキルレベルを持つ新しいパートナに動的に適応できることを実証する。
論文参考訳（メタデータ） (2023-05-26T07:53:12Z)
PECAN: Leveraging Policy Ensemble for Context-Aware Zero-Shot Human-AI Coordination [52.991211077362586]
本研究では,集団におけるパートナーの多様性を高めるための政策アンサンブル手法を提案する。そこで我々は,egoエージェントがパートナーの潜在的ポリシープリミティブを分析し,識別するためのコンテキスト認識手法を開発した。このようにして、エゴエージェントは多様なパートナーとの共同作業において、より普遍的な協調行動を学ぶことができる。
論文参考訳（メタデータ） (2023-01-16T12:14:58Z)
Mastering the Game of No-Press Diplomacy via Human-Regularized Reinforcement Learning and Planning [95.78031053296513]
ノープレス外交(No-press Diplomacy)は、協力と競争の両方を含む複雑な戦略ゲームである。我々は、人間の模倣学習ポリシーに対する報酬最大化ポリシーを規則化する、DiL-piKLと呼ばれる計画アルゴリズムを導入する。 RL-DiL-piKLと呼ばれる自己再生強化学習アルゴリズムに拡張可能であることを示す。
論文参考訳（メタデータ） (2022-10-11T14:47:35Z)
Any-Play: An Intrinsic Augmentation for Zero-Shot Coordination [0.4153433779716327]
我々は、協調型AIを評価するための代替基準を定式化し、この基準を「アルゴリズム間クロスプレイ(inter-algorithm cross-play)」と呼ぶ。このパラダイムでは,Other-Play や Off-Belief Learning といった,最先端の協調型AIアルゴリズムが低性能であることを示す。本稿では,Any-Play学習のアルゴリズムをアルゴリズム間クロスプレイ設定に一般化するために,Any-Play学習の拡張を提案する。
論文参考訳（メタデータ） (2022-01-28T21:43:58Z)
Conditional Imitation Learning for Multi-Agent Games [89.897635970366]
本研究では,条件付きマルチエージェント模倣学習の課題について考察する。本稿では,スケーラビリティとデータ不足の難しさに対処する新しい手法を提案する。我々のモデルは,egoやパートナエージェント戦略よりも低ランクなサブスペースを学習し,サブスペースに補間することで,新たなパートナ戦略を推論し,適応する。
論文参考訳（メタデータ） (2022-01-05T04:40:13Z)
Collaborating with Humans without Human Data [6.158826414652401]
我々は、人間のデータを用いずに、人間のパートナーとうまく協力するエージェントを訓練する方法の問題点について研究する。私たちは、セルフプレイエージェントとその過去のチェックポイントに対する最も良い反応として、エージェントパートナーを訓練します。新規なエージェントとヒトのパートナーと組み合わせた場合, FCPエージェントはSP, PP, BCPよりも有意に高いスコアを示した。
論文参考訳（メタデータ） (2021-10-15T16:03:57Z)
Behaviour-conditioned policies for cooperative reinforcement learning tasks [41.74498230885008]
現実世界の様々なタスクにおいて、エージェントは未知のパートナーエージェントタイプと協力する必要がある。深層強化学習モデルは、必要な機能を提供するためにトレーニングすることができるが、サンプルの非効率性と遅い学習に苦しむことが知られている。本研究では,行動パターンの異なるエージェントの集団を合成的に生成する手法を提案する。また、生成されたデータを効率的に利用し、メタ学習能力を得ることができるエージェントアーキテクチャを提案する。
論文参考訳（メタデータ） (2021-10-04T09:16:41Z)
On the Critical Role of Conventions in Adaptive Human-AI Collaboration [73.21967490610142]
規則依存表現と規則依存表現を区別する学習フレームワークを提案する。複雑性が異なる3つの共同作業に対するアプローチを実験的に検証します。
論文参考訳（メタデータ） (2021-04-07T02:46:19Z)
Multi-Agent Collaboration via Reward Attribution Decomposition [75.36911959491228]
本稿では,StarCraftのマルチエージェントチャレンジにおいて,最先端のパフォーマンスを実現するコラボレーション型Q-ラーニング(CollaQ)を提案する。 CollaQは様々なStarCraft属性マップで評価され、既存の最先端技術よりも優れていることを示す。
論文参考訳（メタデータ） (2020-10-16T17:42:11Z)

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。