論文の概要: The Impact of Network Connectivity on Collective Learning
- arxiv url: http://arxiv.org/abs/2106.00655v1
- Date: Tue, 1 Jun 2021 17:39:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-02 16:04:41.096601
- Title: The Impact of Network Connectivity on Collective Learning
- Title（参考訳）: ネットワーク接続性が集団学習に及ぼす影響
- Authors: Michael Crosscombe and Jonathan Lawry
- Abstract要約: 分散自律システムでは、システムの集団行動を管理する個々のエージェント間の相互作用である。
本稿では,ネットワークが集団学習の文脈における性能に与える影響について検討する。
- 参考スコア（独自算出の注目度）: 1.370633147306388
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In decentralised autonomous systems it is the interactions between individual
agents which govern the collective behaviours of the system. These local-level
interactions are themselves often governed by an underlying network structure.
These networks are particularly important for collective learning and
decision-making whereby agents must gather evidence from their environment and
propagate this information to other agents in the system. Models for collective
behaviours may often rely upon the assumption of total connectivity between
agents to provide effective information sharing within the system, but this
assumption may be ill-advised. In this paper we investigate the impact that the
underlying network has on performance in the context of collective learning.
Through simulations we study small-world networks with varying levels of
connectivity and randomness and conclude that totally-connected networks result
in higher average error when compared to networks with less connectivity.
Furthermore, we show that networks of high regularity outperform networks with
increasing levels of random connectivity.
- Abstract（参考訳）: 分散自律システムでは、システムの集団行動を管理する個々のエージェント間の相互作用である。
これらのローカルレベルの相互作用は、しばしば基盤となるネットワーク構造によって制御される。
これらのネットワークは、エージェントが環境から証拠を収集し、システム内の他のエージェントに情報を伝達する必要がある、集合学習や意思決定において特に重要である。
集団行動のモデルは、システム内で効果的な情報共有を提供するためにエージェント間の完全な接続の仮定に依存することが多いが、この仮定は不十分である。
本稿では,基礎となるネットワークが集団学習の文脈におけるパフォーマンスに与える影響について検討する。
シミュレーションにより,接続性やランダム性のレベルが異なる小世界ネットワークを調査し,接続性の低いネットワークと比較して,完全接続ネットワークの方が平均誤差が高いと結論づけた。
さらに,高規則性ネットワークはランダム接続のレベルが増大するネットワークよりも優れることを示す。
関連論文リスト
- Problem-Solving in Language Model Networks [44.99833362998488]
この研究は、マルチエージェント論争の概念をより一般的なネットワークトポロジに拡張する。
質問応答の正確さ、影響、コンセンサス、および集団に対する偏見の影響を測定する。
論文 参考訳（メタデータ） (2024-06-18T07:59:14Z) - Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust
Closed-Loop Control [63.310780486820796]
繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。
パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
論文 参考訳（メタデータ） (2023-10-05T21:44:18Z) - Reward-Sharing Relational Networks in Multi-Agent Reinforcement Learning
as a Framework for Emergent Behavior [0.0]
ユーザ定義リレーショナルネットワークを通じて,ソーシャルなインタラクションをMARLセットアップに統合する。
エージェントとエージェントの関係が創発行動の出現に及ぼす影響について検討する。
論文 参考訳（メタデータ） (2022-07-12T23:27:42Z) - Competing Adaptive Networks [56.56653763124104]
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。
論文 参考訳（メタデータ） (2021-03-29T14:42:15Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - A Latent Space Model for Multilayer Network Data [0.2538209532048866]
アクターの共通集合上で定義された2つ以上のソーシャルネットワークを同時に特徴付けるベイズ統計モデルを提案する。
モデルの主な特徴は階層的な事前分布であり、システム全体を共同で表現することができる。
我々のモデルの性能は、アクターの種類、サイズ、関係性を考慮し、いくつかの実世界のデータセットを用いて説明される。
論文 参考訳（メタデータ） (2021-02-18T00:53:44Z) - A game-theoretic analysis of networked system control for common-pool
resource management using multi-agent reinforcement learning [54.55119659523629]
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。
論文 参考訳（メタデータ） (2020-10-15T14:12:26Z) - 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) - Detecting Communities in Heterogeneous Multi-Relational Networks:A
Message Passing based Approach [89.19237792558687]
コミュニティは、ソーシャルネットワーク、生物学的ネットワーク、コンピュータおよび情報ネットワークを含むネットワークの共通の特徴である。
我々は,全同種ネットワークのコミュニティを同時に検出する効率的なメッセージパッシングに基づくアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-04-06T17:36:24Z) - A Comparative Study of Social Network Classifiers for Predicting Churn
in the Telecommunication Industry [8.592714155264613]
ネットワーク学習は多くの研究で有効であることが示されている。
これらの手法は、電信企業における顧客の混乱を予測するために適応されている。
論文 参考訳（メタデータ） (2020-01-18T17:05:53Z)
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。