Fugu-MT 論文翻訳(概要): Learning to Coordinate via Multiple Graph Neural Networks

論文の概要: Learning to Coordinate via Multiple Graph Neural Networks

arxiv url: http://arxiv.org/abs/2104.03503v1
Date: Thu, 8 Apr 2021 04:33:00 GMT
ステータス: 処理完了
システム内更新日: 2023-04-04 12:20:09.670653
Title: Learning to Coordinate via Multiple Graph Neural Networks
Title（参考訳）: 複数のグラフニューラルネットワークによる協調学習
Authors: Zhiwei Xu, Bin Zhang, Yunpeng Bai, Dapeng Li, Guoliang Fan
Abstract要約: MGANはグラフ畳み込みネットワークと値分解手法を組み合わせた新しいアルゴリズムである。グラフネットワークの出力を可視化することにより,表現学習におけるグラフネットワークの驚くべき能力を示す。
参考スコア（独自算出の注目度）: 16.226702761758595
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The collaboration between agents has gradually become an important topic in multi-agent systems. The key is how to efficiently solve the credit assignment problems. This paper introduces MGAN for collaborative multi-agent reinforcement learning, a new algorithm that combines graph convolutional networks and value-decomposition methods. MGAN learns the representation of agents from different perspectives through multiple graph networks, and realizes the proper allocation of attention between all agents. We show the amazing ability of the graph network in representation learning by visualizing the output of the graph network, and therefore improve interpretability for the actions of each agent in the multi-agent system.
Abstract（参考訳）: エージェント間のコラボレーションは、徐々にマルチエージェントシステムにおいて重要なトピックになりつつある。鍵となるのは、クレジットの割り当て問題を解決する方法です。本稿では,グラフ畳み込みネットワークと値分解手法を組み合わせた新しいアルゴリズムである,協調型マルチエージェント強化学習のためのMGANを提案する。 mganは複数のグラフネットワークを通して異なる視点からエージェントの表現を学び、すべてのエージェント間の適切な注意の割り当てを実現する。グラフネットワークの出力を可視化することで,表現学習におけるグラフネットワークの驚くべき能力を示し,マルチエージェントシステムにおける各エージェントの動作の解釈性を向上させる。

関連論文リスト

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)
Towards Generalizability of Multi-Agent Reinforcement Learning in Graphs with Recurrent Message Passing [0.9353820277714449]
分散化されたアプローチでは、エージェントは与えられたグラフ内で動作し、部分的または時代遅れな観察に基づいて決定を行う。この研究は一般化性に焦点をあて、グラフ全体の連続的な情報フローで観測された近傍のサイズのトレードオフを解消する。我々の手法は、実行時に分散的に使用することができ、選択した強化学習アルゴリズムと組み合わせることができる。
論文参考訳（メタデータ） (2024-02-07T16:53:09Z)
Learnable Graph Convolutional Network and Feature Fusion for Multi-view Learning [30.74535386745822]
本稿では,Learningable Graph Convolutional Network and Feature Fusion (LGCN-FF) と呼ばれる統合ディープラーニングフレームワークを提案する。特徴融合ネットワークと学習可能なグラフ畳み込みネットワークの2つのステージで構成されている。提案したLGCN-FFは,多視点半教師付き分類において,様々な最先端手法よりも優れていることが検証された。
論文参考訳（メタデータ） (2022-11-16T19:07:12Z)
Foresight of Graph Reinforcement Learning Latent Permutations Learnt by Gumbel Sinkhorn Network [9.316409848022108]
Gumbel Sinkhorn graph attention reinforcement learning, which a graph attention network highly representation the underlying graph topology structure of the multi-agent environment。本稿では,グラフ強化学習手法がペッティングズーのマルチエージェント環境において,潜時置換学習によって既存の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2021-10-23T05:30:43Z)
Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
論文参考訳（メタデータ） (2021-08-19T15:39:52Z)
Graph-Based Neural Network Models with Multiple Self-Supervised Auxiliary Tasks [79.28094304325116]
グラフ畳み込みネットワークは、構造化されたデータポイント間の関係をキャプチャするための最も有望なアプローチである。マルチタスク方式でグラフベースニューラルネットワークモデルを学習するための3つの新しい自己教師付き補助タスクを提案する。
論文参考訳（メタデータ） (2020-11-14T11:09:51Z)
Graph Convolutional Value Decomposition in Multi-Agent Reinforcement Learning [9.774412108791218]
深層強化学習における値関数分解のための新しい枠組みを提案する。特に、エージェントのチームは完全有向グラフのノードの集合であると考えている。我々は,チーム状態-行動値関数を各エージェント毎の観察-行動値関数に分解する混合GNNモジュールを導入し,グローバルチーム報酬の分数で各エージェントに明示的なクレジット割り当てを行う。
論文参考訳（メタデータ） (2020-10-09T18:01:01Z)
GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文参考訳（メタデータ） (2020-06-17T16:18:35Z)
A Visual Communication Map for Multi-Agent Deep Reinforcement Learning [7.003240657279981]
マルチエージェント学習は、隠蔽された通信媒体を割り当てる上で大きな課題となる。最近の研究は一般的に、エージェント間の通信を可能にするために、特殊なニューラルネットワークと強化学習を組み合わせる。本稿では,多数のエージェントを扱うだけでなく,異種機能エージェント間の協調を可能にする,よりスケーラブルなアプローチを提案する。
論文参考訳（メタデータ） (2020-02-27T02:38:21Z)
Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
論文参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。