Fugu-MT 論文翻訳(概要): Multi-Agent Adversarial Attacks for Multi-Channel Communications

論文の概要: Multi-Agent Adversarial Attacks for Multi-Channel Communications

arxiv url: http://arxiv.org/abs/2201.09149v1
Date: Sat, 22 Jan 2022 23:57:00 GMT
ステータス: 処理完了
システム内更新日: 2022-01-28 03:18:44.243695
Title: Multi-Agent Adversarial Attacks for Multi-Channel Communications
Title（参考訳）: マルチチャネル通信におけるマルチエージェント攻撃
Authors: Juncheng Dong, Suya Wu, Mohammadreza Sultani, Vahid Tarokh
Abstract要約: 無線通信シナリオにおける敵をモデル化・解析するためのマルチエージェント・敵システム(MAAS)を提案する。相手を学習エージェントとしてモデル化することにより,提案するMAASが,送信者戦略の事前知識を必要とせず,送信チャネルと割り当てされた各パワーを適切に選択可能であることを示す。
参考スコア（独自算出の注目度）: 24.576538640840976
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recently Reinforcement Learning (RL) has been applied as an anti-adversarial remedy in wireless communication networks. However, studying the RL-based approaches from the adversary's perspective has received little attention. Additionally, RL-based approaches in an anti-adversary or adversarial paradigm mostly consider single-channel communication (either channel selection or single channel power control), while multi-channel communication is more common in practice. In this paper, we propose a multi-agent adversary system (MAAS) for modeling and analyzing adversaries in a wireless communication scenario by careful design of the reward function under realistic communication scenarios. In particular, by modeling the adversaries as learning agents, we show that the proposed MAAS is able to successfully choose the transmitted channel(s) and their respective allocated power(s) without any prior knowledge of the sender strategy. Compared to the single-agent adversary (SAA), multi-agents in MAAS can achieve significant reduction in signal-to-noise ratio (SINR) under the same power constraints and partial observability, while providing improved stability and a more efficient learning process. Moreover, through empirical studies we show that the results in simulation are close to the ones in communication in reality, a conclusion that is pivotal to the validity of performance of agents evaluated in simulations.
Abstract（参考訳）: 近年,無線通信ネットワークにおける対人対策として強化学習(RL)が適用されている。しかし、敵の視点からのRLに基づくアプローチの研究はほとんど注目されていない。さらに、対向的あるいは対向的なパラダイムにおけるRLベースのアプローチは、主にシングルチャネル通信(チャンネル選択またはシングルチャネル電力制御)を考察するが、実際はマルチチャネル通信の方が一般的である。本稿では,現実的なコミュニケーションシナリオ下での報酬関数の設計を慎重に行うことで,無線通信シナリオにおける敵のモデリングと解析を行うマルチエージェント・敵システム(MAAS)を提案する。特に, 敵を学習エージェントとしてモデル化することにより, 提案するmaasは送信側戦略を事前に知ることなく, 送信側チャネル(s) と各割り当て側パワー(s) を適切に選択できることを示す。単エージェント対向(SAA)と比較して、MAASのマルチエージェントは同じ電力制約と部分可観測性の下で信号対雑音比(SINR)を大幅に低減し、安定性とより効率的な学習プロセスを提供する。さらに,実証実験により,シミュレーションの結果が現実のコミュニケーションに近く,シミュレーションで評価されたエージェントの性能の妥当性に重要な結論が得られた。

関連論文リスト

From Novice to Expert: LLM Agent Policy Optimization via Step-wise Reinforcement Learning [62.54484062185869]
本稿では,エージェントの強化学習プロセスの最適化にステップワイド報酬を利用するStepAgentを紹介する。エージェント反射とポリシー調整を容易にする暗黙の逆・逆の強化学習手法を提案する。
論文参考訳（メタデータ） (2024-11-06T10:35:11Z)
Learning Emergence of Interaction Patterns across Independent RL Agents in Multi-Agent Environments [3.0284592792243794]
ボトムアップネットワーク(BUN)は、マルチエージェントの集合を統一エンティティとして扱う。協調ナビゲーションやトラヒックコントロールなどのタスクを含む,さまざまな協調型マルチエージェントシナリオに対する実証的な評価は,BUNが計算コストを大幅に削減したベースライン手法よりも優れていることを一貫して証明している。
論文参考訳（メタデータ） (2024-10-03T14:25:02Z)
Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [94.2860766709971]
統計的に同一性を持つ無線ネットワークにおける自己回帰的マルコフ過程のサンプリングとリモート推定の課題に対処する。我々のゴールは、分散化されたスケーラブルサンプリングおよび送信ポリシーを用いて、時間平均推定誤差と/または情報の年齢を最小化することである。
論文参考訳（メタデータ） (2024-04-04T06:24:11Z)
Multi-Agent Probabilistic Ensembles with Trajectory Sampling for Connected Autonomous Vehicles [12.71628954436973]
軌道サンプリングMA-PETSを用いた分散マルチエージェント確率アンサンブルを提案する。特に、未知環境の不確実性をよりよく捉えるために、MA-PETSは確率的アンサンブルニューラルネットワークを利用する。 MFBLに匹敵する試料効率でMA-PETSの優位性を実証的に実証した。
論文参考訳（メタデータ） (2023-12-21T14:55:21Z)
Exchange-of-Thought: Enhancing Large Language Model Capabilities through Cross-Model Communication [76.04373033082948]
大規模言語モデル(LLM)は、最近、Chain-of-Thoughtテクニックによる複雑な推論タスクにおいて大きな進歩を遂げました。本稿では,問題解決時のクロスモデル通信を可能にする新しいフレームワークであるExchange-of-Thought (EoT)を提案する。
論文参考訳（メタデータ） (2023-12-04T11:53:56Z)
Decentralized Learning over Wireless Networks: The Effect of Broadcast with Random Access [56.91063444859008]
本稿では,D-SGDのコンバージェンス性能に及ぼす放送送信と確率的ランダムアクセスポリシーの影響について検討する。この結果から,アクセス確率を最適化し,期待されるリンク数の最大化が,システム収束を加速するための極めて効果的な戦略であることが示唆された。
論文参考訳（メタデータ） (2023-05-12T10:32:26Z)
A Decentralized Communication Framework based on Dual-Level Recurrence for Multi-Agent Reinforcement Learning [5.220940151628735]
マルチエージェントシステムのためのデュアルレベルリカレント通信フレームワークを提案する。第1の再発は通信シーケンスで発生し、エージェント間の通信データを送信するために使用される。第2の再発は、時系列に基づいて、各エージェントの履歴観測を組み合わせる。
論文参考訳（メタデータ） (2022-02-22T01:36:59Z)
Learning Selective Communication for Multi-Agent Path Finding [18.703918339797283]
決定因果通信(Decision Causal Communication、DCC)は、エージェントが隣人を選択して通信を行うためのシンプルで効率的なモデルである。 DCCは大規模問題を扱うために分散実行に適している。
論文参考訳（メタデータ） (2021-09-12T03:07:20Z)
Adversarial Attacks On Multi-Agent Communication [80.4392160849506]
現代の自律システムはすぐに大規模に展開され、協調型マルチエージェントシステムの可能性を広げる。このような利点は、セキュリティ侵害に対して脆弱であることが示されている通信チャネルに大きく依存している。本稿では,エージェントが学習した中間表現を共有してコミュニケーションする新しいマルチエージェント環境において,このような攻撃を探索する。
論文参考訳（メタデータ） (2021-01-17T00:35:26Z)
FedRec: Federated Learning of Universal Receivers over Fading Channels [92.15358738530037]
本稿では,ダウンリンクフェージングチャネルに対するニューラルネットワークを用いたシンボル検出手法を提案する。複数のユーザが協力して、普遍的なデータ駆動型検出器を学習する。得られた受信機の性能は、フェーディング統計の知識を必要とせずに、様々なチャネル条件下でMAP性能に近づくことを示す。
論文参考訳（メタデータ） (2020-11-14T11:29:55Z)
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)

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。