論文の概要: Specializing Inter-Agent Communication in Heterogeneous Multi-Agent Reinforcement Learning using Agent Class Information

• arxiv url: http://arxiv.org/abs/2012.07617v2
• Date: Wed, 10 Mar 2021 15:19:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-08 14:37:25.845393
• Title: Specializing Inter-Agent Communication in Heterogeneous Multi-Agent Reinforcement Learning using Agent Class Information
• Title（参考訳）: エージェントクラス情報を用いた異種マルチエージェント強化学習におけるエージェント間コミュニケーションの特化
• Authors: Douglas De Rizzo Meneghetti, Reinaldo Augusto da Costa Bianchi
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.713291434132985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inspired by recent advances in agent communication with graph neural networks, this work proposes the representation of multi-agent communication capabilities as a directed labeled heterogeneous agent graph, in which node labels denote agent classes and edge labels, the communication type between two classes of agents. We also introduce a neural network architecture that specializes communication in fully cooperative heterogeneous multi-agent tasks by learning individual transformations to the exchanged messages between each pair of agent classes. By also employing encoding and action selection modules with parameter sharing for environments with heterogeneous agents, we demonstrate comparable or superior performance in environments where a larger number of agent classes operates.
• Abstract（参考訳）: グラフニューラルネットワークとのエージェント通信の最近の進歩に触発されて、ノードラベルがエージェントクラスとエッジラベル、エージェントの2つのクラス間の通信タイプを表す有向ラベル付き異種エージェントグラフとして、マルチエージェント通信能力の表現を提案する。 また、各エージェントクラス間の交換メッセージへの個々の変換を学習することにより、完全に協調した多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を導入する。 また,異種エージェントの環境に対するパラメータ共有を伴うエンコーディングおよびアクション選択モジュールを用いることで,エージェントクラスが多数動作する環境において,同等あるいは優れた性能を示す。

関連論文リスト

• Relative Representations of Latent Spaces enable Efficient Semantic Channel Equalization [11.052047963214006]
  本稿では,新たな意味等化アルゴリズムを提案する。 提案手法の有効性を数値計算により明らかにした。
  論文  参考訳（メタデータ） (2024-11-29T14:08:48Z)
• Communication Learning in Multi-Agent Systems from Graph Modeling Perspective [62.13508281188895]
  本稿では,エージェント間の通信アーキテクチャを学習可能なグラフとして概念化する手法を提案する。 本稿では,各エージェントに対して時間的ゲーティング機構を導入し,ある時間に共有情報を受信するかどうかの動的決定を可能にする。
  論文  参考訳（メタデータ） (2024-11-01T05:56:51Z)
• Internet of Agents: Weaving a Web of Heterogeneous Agents for Collaborative Intelligence [79.5316642687565]
  既存のマルチエージェントフレームワークは、多種多様なサードパーティエージェントの統合に苦慮することが多い。 我々はこれらの制限に対処する新しいフレームワークであるInternet of Agents (IoA)を提案する。 IoAはエージェント統合プロトコル、インスタントメッセージのようなアーキテクチャ設計、エージェントのチーム化と会話フロー制御のための動的メカニズムを導入している。
  論文  参考訳（メタデータ） (2024-07-09T17:33:24Z)
• Scaling Large-Language-Model-based Multi-Agent Collaboration [75.5241464256688]
  大規模言語モデルによるエージェントのパイオニア化は、マルチエージェントコラボレーションの設計パターンを暗示している。 神経スケーリング法則に触発された本研究では,マルチエージェント協調におけるエージェントの増加に類似の原理が適用されるかを検討する。
  論文  参考訳（メタデータ） (2024-06-11T11:02:04Z)
• Learning Multi-Agent Communication from Graph Modeling Perspective [62.13508281188895]
  本稿では,エージェント間の通信アーキテクチャを学習可能なグラフとして概念化する手法を提案する。 提案手法であるCommFormerは,通信グラフを効率よく最適化し,勾配降下によるアーキテクチャパラメータをエンドツーエンドで並列に洗練する。
  論文  参考訳（メタデータ） (2024-05-14T12:40:25Z)
• Scalable Communication for Multi-Agent Reinforcement Learning via Transformer-Based Email Mechanism [9.607941773452925]
  コミュニケーションはマルチエージェント強化学習(MARL)における協調性を著しく向上させる 本稿では,部分的に観測されたタスクに対するMARL通信のスケーラビリティ問題に対処するための新しいフレームワークである Transformer-based Email Mechanism (TEM) を提案する。
  論文  参考訳（メタデータ） (2023-01-05T05:34:30Z)
• Coordinating Policies Among Multiple Agents via an Intelligent Communication Channel [81.39444892747512]
  MARL(Multi-Agent Reinforcement Learning)では、エージェントが直接通信できる特別なチャンネルがしばしば導入される。 本稿では,エージェントの集団的性能を向上させるために,エージェントが提供した信号の伝達と解釈を学習する,インテリジェントなファシリテータを通じてエージェントがコミュニケーションする手法を提案する。
  論文  参考訳（メタデータ） (2022-05-21T14:11:33Z)
• Multiagent Multimodal Categorization for Symbol Emergence: Emergent Communication via Interpersonal Cross-modal Inference [4.964816143841663]
  本稿では,創発的コミュニケーションを実現するマルチエージェントマルチモーダル分類の計算モデルについて述べる。 インターMDMにより、エージェントはマルチモーダルカテゴリを形成し、エージェント間でサインを適切に共有することができる。 突発的コミュニケーションは,いくつかの感覚的モダリティが欠如している場合でも,分類精度を向上させることが示されている。
  論文  参考訳（メタデータ） (2021-09-15T10:20:54Z)
• Towards Heterogeneous Multi-Agent Reinforcement Learning with Graph Neural Networks [1.370633147306388]
  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。
  論文  参考訳（メタデータ） (2020-09-28T09:15:04Z)
• The Emergence of Adversarial Communication in Multi-Agent Reinforcement Learning [6.18778092044887]
  多くの現実世界の問題は、複数の自律エージェントの調整を必要とする。 最近の研究は、複雑なマルチエージェント協調を可能にする明示的なコミュニケーション戦略を学ぶためのグラフニューラルネットワーク(GNN)の約束を示している。 一つの利己的なエージェントが高度に操作的なコミュニケーション戦略を学習し、協調的なエージェントチームを大幅に上回っていることを示す。
  論文  参考訳（メタデータ） (2020-08-06T12:48:08Z)
• Learning Structured Communication for Multi-agent Reinforcement Learning [104.64584573546524]
  本研究では,マルチエージェント強化学習(MARL)環境下での大規模マルチエージェント通信機構について検討する。 本稿では、より柔軟で効率的な通信トポロジを用いて、LSC(Learning Structured Communication)と呼ばれる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） (2020-02-11T07:19:45Z)

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。