論文の概要: Modeling Communication to Coordinate Perspectives in Cooperation

• arxiv url: http://arxiv.org/abs/2106.02164v1
• Date: Thu, 3 Jun 2021 22:37:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-07 15:06:08.930958
• Title: Modeling Communication to Coordinate Perspectives in Cooperation
• Title（参考訳）: 協調的視点によるコミュニケーションのモデリング
• Authors: Stephanie Stacy, Chenfei Li, Minglu Zhao, Yiling Yun, Qingyi Zhao, Max Kleiman-Weiner and Tao Gao
• Abstract要約: 本稿では,共有エージェントの観点から過負荷信号の計算法を提案する。 このフレームワークの下では、コミュニケーションは共同作業者が視点を調整し、共通の目標を達成するために一緒に行動するのに役立つ。 我々はこのモデルを、あいまいさの増大と推論の層の増加の下で、このモデルの成功を示す一連のシミュレーションで実装する。
• 参考スコア（独自算出の注目度）: 4.837943644708208
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Communication is highly overloaded. Despite this, even young children are good at leveraging context to understand ambiguous signals. We propose a computational account of overloaded signaling from a shared agency perspective which we call the Imagined We for Communication. Under this framework, communication helps cooperators coordinate their perspectives, allowing them to act together to achieve shared goals. We assume agents are rational cooperators, which puts constraints on how signals can be sent and interpreted. We implement this model in a set of simulations demonstrating this model's success under increasing ambiguity as well as increasing layers of reasoning. Our model is capable of improving performance with deeper recursive reasoning; however, it outperforms comparison baselines at even the shallowest level, highlighting how shared knowledge and cooperative logic can do much of the heavy-lifting in language.
• Abstract（参考訳）: 通信は過負荷です。 それにもかかわらず、幼児でさえ曖昧なシグナルを理解するために文脈を活用するのが得意である。 本稿では,共有エージェントの観点から,Imagined We for Communicationと呼ぶ過負荷信号の計算記述を提案する。 このフレームワークの下では、コミュニケーションはコラボレーターが視点を調整し、共通の目標を達成するために一緒に行動することを可能にする。 エージェントは合理的な協力者であり、シグナルの送信や解釈の仕方に制約を課す。 我々はこのモデルを、あいまいさの増加と推論層の増加の下で、このモデルの成功を示す一連のシミュレーションで実装する。 提案モデルでは,より深い再帰的推論による性能向上が可能であるが,より浅いレベルで比較ベースラインを上回り,共有知識と協調論理が言語における重み付けの多くをいかに行うかを強調している。

関連論文リスト

• 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)
• 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)
• Building Cooperative Embodied Agents Modularly with Large Language Models [104.57849816689559]
  本研究では, 分散制御, 生の知覚観察, コストのかかるコミュニケーション, 様々な実施環境下でインスタンス化された多目的タスクといった課題に対処する。 我々は,LLMの常識知識,推論能力,言語理解,テキスト生成能力を活用し,認知に触発されたモジュラーフレームワークにシームレスに組み込む。 C-WAH と TDW-MAT を用いた実験により, GPT-4 で駆動される CoELA が, 強い計画に基づく手法を超越し, 創発的な効果的なコミュニケーションを示すことを示した。
  論文  参考訳（メタデータ） (2023-07-05T17:59:27Z)
• MindDial: Belief Dynamics Tracking with Theory-of-Mind Modeling for Situated Neural Dialogue Generation [62.44907105496227]
  MindDialは、Mind-of-mindモデリングで位置決め自由形式の応答を生成できる、新しい対話型フレームワークである。 本研究では、話者の信念と話者の聴取者の信念を予測できる明示的なマインドモジュールを導入する。 筆者らのフレームワークは,提案手法と微調整モデルの両方に適用され,共通地盤アライメントとネゴシエーションの両方を含むシナリオで評価される。
  論文  参考訳（メタデータ） (2023-06-27T07:24:32Z)
• Learning to communicate about shared procedural abstractions [3.237380113935023]
  本研究では,人間が自然言語を用いて物理的組立問題を協調的に解く方法について検討する。 ある参加者は標的の塔を見ることができ、他の参加者に再建のための組み立て指示を送った。 結果は、知的エージェントが共通の手続き的抽象化に基づいて調整できる誘導バイアスに光を当てた。
  論文  参考訳（メタデータ） (2021-06-30T19:59:11Z)
• Networked Multi-Agent Reinforcement Learning with Emergent Communication [18.47483427884452]
  MARL(Multi-Agent Reinforcement Learning)法は,他の学習エージェントの存在下で活動するエージェントに対して最適なポリシーを求める。 コーディネートするひとつの方法は、相互通信を学ぶことです。 エージェントは共通のタスクを実行するために学習しながら言語を開発することができるか?
  論文  参考訳（メタデータ） (2020-04-06T16:13:23Z)
• Learning Multi-Agent Coordination through Connectivity-driven Communication [7.462336024223669]
  人工マルチエージェントシステムでは、エージェントのコミュニケーションスキルに基づいて協調的なポリシーを学習することができる。 我々は、深い強化学習アプローチであるコネクティビティ駆動通信(CDC)を提案する。 CDCは効果的な協調政策を学習でき、協調ナビゲーションタスクにおいて競合する学習アルゴリズムをオーバーパフォーマンスさせることができる。
  論文  参考訳（メタデータ） (2020-02-12T20:58:33Z)
• Emergence of Pragmatics from Referential Game between Theory of Mind Agents [64.25696237463397]
  エージェントが手書きのルールを指定せずに「行間を読む」能力を自発的に学習するアルゴリズムを提案する。 協調型マルチエージェント教育状況における心の理論(ToM)を統合し,適応型強化学習(RL)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-01-21T19:37:33Z)

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。