Fugu-MT 論文翻訳(概要): Competing Adaptive Networks

論文の概要: Competing Adaptive Networks

arxiv url: http://arxiv.org/abs/2103.15664v1
Date: Mon, 29 Mar 2021 14:42:15 GMT
ステータス: 処理完了
システム内更新日: 2021-03-30 15:15:40.389194
Title: Competing Adaptive Networks
Title（参考訳）: 競合する適応ネットワーク
Authors: Stefan Vlaski and Ali H. Sayed
Abstract要約: 適応エージェントのチーム間での分散競争のためのアルゴリズムを開発する。本稿では,生成的対向ニューラルネットワークの分散学習への応用について述べる。
参考スコア（独自算出の注目度）: 56.56653763124104
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Adaptive networks have the capability to pursue solutions of global stochastic optimization problems by relying only on local interactions within neighborhoods. The diffusion of information through repeated interactions allows for globally optimal behavior, without the need for central coordination. Most existing strategies are developed for cooperative learning settings, where the objective of the network is common to all agents. We consider in this work a team setting, where a subset of the agents form a team with a common goal while competing with the remainder of the network. We develop an algorithm for decentralized competition among teams of adaptive agents, analyze its dynamics and present an application in the decentralized training of generative adversarial neural networks.
Abstract（参考訳）: 適応型ネットワークは、近隣の局所的な相互作用にのみ依存することで、大域的確率最適化問題の解を追求する能力を持つ。反復的相互作用による情報の拡散は、中心的な調整を必要とせず、グローバルに最適な行動を可能にする。既存の戦略の多くは、ネットワークの目的がすべてのエージェントに共通である協調学習設定のために開発されている。この作業では、エージェントのサブセットが共通の目標を持ったチームを形成し、残りのネットワークと競合する、チーム設定が検討されます。適応エージェントのチーム間での分散的競争のためのアルゴリズムを開発し、そのダイナミクスを分析し、生成的対向ニューラルネットワークの分散トレーニングに応用する。

関連論文リスト

Performance-Aware Self-Configurable Multi-Agent Networks: A Distributed Submodular Approach for Simultaneous Coordination and Network Design [3.5527561584422465]
本稿では、AlterNAting Coordination and Network-Design Algorithm(Anaconda)を紹介する。 Anacondaはスケーラブルなアルゴリズムで、ほぼ最適性を保証する。地域モニタリングのシミュレーションシナリオを実演し,それを最先端のアルゴリズムと比較する。
論文参考訳（メタデータ） (2024-09-02T18:11:33Z)
Initialisation and Network Effects in Decentralised Federated Learning [1.5961625979922607]
分散フェデレーション学習は、通信デバイスの分散ネットワーク上で、個々の機械学習モデルの協調トレーニングを可能にする。このアプローチは、集中的な調整を避け、データのプライバシを高め、単一障害点のリスクを取り除く。本稿では,基盤となる通信ネットワークの固有ベクトル集中度分布に基づく,ニューラルネットワークの非協調初期化戦略を提案する。
論文参考訳（メタデータ） (2024-03-23T14:24:36Z)
Decentralized and Lifelong-Adaptive Multi-Agent Collaborative Learning [57.652899266553035]
分散型および生涯適応型多エージェント協調学習は、中央サーバを使わずに複数のエージェント間のコラボレーションを強化することを目的としている。動的協調グラフを用いた分散マルチエージェント生涯協調学習アルゴリズムであるDeLAMAを提案する。
論文参考訳（メタデータ） (2024-03-11T09:21:11Z)
Federated Multi-Level Optimization over Decentralized Networks [55.776919718214224]
エージェントが隣人としか通信できないネットワーク上での分散マルチレベル最適化の問題について検討する。ネットワーク化されたエージェントが1つの時間スケールで異なるレベルの最適化問題を解くことができる新しいゴシップに基づく分散マルチレベル最適化アルゴリズムを提案する。提案アルゴリズムは, ネットワークサイズと線形にスケーリングし, 各種アプリケーション上での最先端性能を示す。
論文参考訳（メタデータ） (2023-10-10T00:21:10Z)
One More Step Towards Reality: Cooperative Bandits with Imperfect Communication [15.440053226788562]
我々は,3つの典型的な実世界のコミュニケーションシナリオの下で協調的バンディット学習を研究する。競争性能を実現する分散型アルゴリズムを提案する。様々なネットワークトポロジにおいて既存の最先端技術よりも優れた遅延更新アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-11-24T13:19:11Z)
Learning Autonomy in Management of Wireless Random Networks [102.02142856863563]
本稿では,任意の数のランダム接続ノードを持つ無線ネットワークにおいて,分散最適化タスクに取り組む機械学習戦略を提案する。我々は,ネットワークトポロジとは無関係に,前方および後方に計算を行う分散メッセージパスニューラルネットワーク(DMPNN)と呼ばれる,柔軟な深層ニューラルネットワーク形式を開発した。
論文参考訳（メタデータ） (2021-06-15T09:03:28Z)
Learning Connectivity for Data Distribution in Robot Teams [96.39864514115136]
グラフニューラルネットワーク(GNN)を用いたアドホックネットワークにおけるデータ分散のためのタスク非依存,分散化,低レイテンシ手法を提案する。当社のアプローチは、グローバル状態情報に基づいたマルチエージェントアルゴリズムを各ロボットで利用可能にすることで機能させます。我々は,情報の平均年齢を報酬関数として強化学習を通じて分散gnn通信政策を訓練し,タスク固有の報酬関数と比較してトレーニング安定性が向上することを示す。
論文参考訳（メタデータ） (2021-03-08T21:48:55Z)
Decentralized Reinforcement Learning: Global Decision-Making via Local Economic Transactions [80.49176924360499]
我々は、シーケンシャルな意思決定問題を解決するために、単純で専門的で自己関心のあるエージェントの社会を指示する枠組みを確立する。我々は分散強化学習アルゴリズムのクラスを導出する。我々は、より効率的な移動学習のための社会固有のモジュラー構造の潜在的な利点を実証する。
論文参考訳（メタデータ） (2020-07-05T16:41:09Z)
Collective Learning by Ensembles of Altruistic Diversifying Neural Networks [0.0]
本稿では,対話型ニューラルネットワークの集合による協調学習モデルを提案する。相互作用するネットワークのアンサンブルは独立したネットワークよりも優れており、ネットワーク間の結合が多様性を高め、個々のネットワークの性能を低下させるときに最適なアンサンブル性能が得られることを示す。
論文参考訳（メタデータ） (2020-06-20T22:53:32Z)
Multi-Agent Reinforcement Learning for Adaptive User Association in Dynamic mmWave Networks [17.295158818748188]
マルチエージェント強化学習に基づくユーザアソシエーションのためのスケーラブルで柔軟なアルゴリズムを提案する。ユーザーは、ローカルな観察のみに基づいて、ネットワークの総和率を最適化するために、自律的に行動を調整することを学習する独立したエージェントとして振る舞う。シミュレーションの結果,提案アルゴリズムは無線環境の変化に適応できることを示す。
論文参考訳（メタデータ） (2020-06-16T10:51:27Z)

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。