論文の概要: Learning to Transfer Role Assignment Across Team Sizes

• arxiv url: http://arxiv.org/abs/2204.12937v1
• Date: Sun, 17 Apr 2022 11:22:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-01 09:27:07.305481
• Title: Learning to Transfer Role Assignment Across Team Sizes
• Title（参考訳）: チーム規模で役割割り当てを伝達する学習
• Authors: Dung Nguyen, Phuoc Nguyen, Svetha Venkatesh, Truyen Tran
• Abstract要約: チーム規模で役割の割り当てと移譲を学ぶためのフレームワークを提案する。 ロールベースの信用割当構造を再利用することで、より大きな強化学習チームの学習プロセスが促進されることを示す。
• 参考スコア（独自算出の注目度）: 48.43860606706273
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-agent reinforcement learning holds the key for solving complex tasks that demand the coordination of learning agents. However, strong coordination often leads to expensive exploration over the exponentially large state-action space. A powerful approach is to decompose team works into roles, which are ideally assigned to agents with the relevant skills. Training agents to adaptively choose and play emerging roles in a team thus allows the team to scale to complex tasks and quickly adapt to changing environments. These promises, however, have not been fully realised by current role-based multi-agent reinforcement learning methods as they assume either a pre-defined role structure or a fixed team size. We propose a framework to learn role assignment and transfer across team sizes. In particular, we train a role assignment network for small teams by demonstration and transfer the network to larger teams, which continue to learn through interaction with the environment. We demonstrate that re-using the role-based credit assignment structure can foster the learning process of larger reinforcement learning teams to achieve tasks requiring different roles. Our proposal outperforms competing techniques in enriched role-enforcing Prey-Predator games and in new scenarios in the StarCraft II Micro-Management benchmark.
• Abstract（参考訳）: マルチエージェント強化学習は、学習エージェントの協調を必要とする複雑なタスクを解決する鍵を握る。 しかし、強い協調は、しばしば指数関数的に大きな状態-作用空間に対する高価な探索につながる。 強力なアプローチは、チームの作業を役割に分解することです。 トレーニングエージェントはチーム内の新たな役割を適応的に選択し、プレーすることで、チームは複雑なタスクにスケールし、変化する環境に迅速に適応することができます。 しかしながら、これらの約束は、事前に定義された役割構造か固定されたチームサイズのいずれかを前提として、現在のロールベースのマルチエージェント強化学習手法によって完全には実現されていない。 チーム規模で役割の割り当てと移動を学ぶためのフレームワークを提案する。 特に,小規模チームを対象としたロール割り当てネットワークを実演し,大規模チームにネットワークを移し,環境とのインタラクションを通じて学習を続ける。 ロールベースのクレジット割り当て構造を再利用することで、より大きな強化学習チームの学習プロセスが促進され、異なる役割を必要とするタスクが達成できることを示す。 提案手法は,ロール強化型Prey-PredatorゲームやStarCraft II Micro-Managementベンチマークの新たなシナリオにおいて,競合技術よりも優れている。

関連論文リスト

• Cooperation, Competition, and Maliciousness: LLM-Stakeholders Interactive Negotiation [52.930183136111864]
  我々は,大言語モデル(LLM)を評価するためにスコーラブルネゴシエーション(scorable negotiations)を提案する。 合意に達するには、エージェントは強力な算術、推論、探索、計画能力を持つ必要がある。 我々は、新しいゲームを作成し、進化するベンチマークを持つことの難しさを増大させる手順を提供する。
  論文  参考訳（メタデータ） (2023-09-29T13:33:06Z)
• MindAgent: Emergent Gaming Interaction [103.73707345211892]
  大規模言語モデル(LLM)は、マルチエージェントシステムで複雑なスケジューリングを行う能力を持つ。 我々はMindAgentを提案し,ゲームインタラクションにおける創発的能力の評価・調整を行う。
  論文  参考訳（メタデータ） (2023-09-18T17:52:22Z)
• ProAgent: Building Proactive Cooperative Agents with Large Language Models [89.53040828210945]
  ProAgentは、大規模な言語モデルを利用してプロアクティブエージェントを生成する新しいフレームワークである。 ProAgentは現状を分析し、チームメイトの意図を観察から推測することができる。 ProAgentは高度なモジュール化と解釈可能性を示し、様々な調整シナリオに容易に統合できる。
  論文  参考訳（メタデータ） (2023-08-22T10:36:56Z)
• Towards a Better Understanding of Learning with Multiagent Teams [4.746424588605832]
  いくつかのチーム構造は、エージェントが特定の役割を専門化することを学ぶのに役立つことを示しています。 大規模なチームは、コーディネーションを減らすためのクレジット割り当ての課題を作成します。
  論文  参考訳（メタデータ） (2023-06-28T13:37:48Z)
• Learning to Learn Group Alignment: A Self-Tuning Credo Framework with Multiagent Teams [1.370633147306388]
  マルチエージェントチームを持つ人口の混合インセンティブは、完全に協調したシステムよりも有利であることが示されている。 個人学習エージェントが報酬関数の様々な部分を通してインセンティブの構成を自己制御する枠組みを提案する。
  論文  参考訳（メタデータ） (2023-04-14T18:16:19Z)
• Multi-Agent Policy Transfer via Task Relationship Modeling [28.421365805638953]
  我々は、タスク間の共通構造を発見し、活用し、より効率的な転送を試みる。 本稿では,タスクの共通空間として効果に基づくタスク表現を学習する。 その結果,提案手法は,学習した協調知識をいくつかのソースタスクの学習後に新しいタスクに伝達するのに役立つ。
  論文  参考訳（メタデータ） (2022-03-09T01:49:21Z)
• Two-stage training algorithm for AI robot soccer [2.0757564643017092]
  異種エージェントの学習性能を向上させるために,二段階多種集中訓練を提案する。 提案手法は,5対5のAIロボットサッカーを用いて検証を行う。
  論文  参考訳（メタデータ） (2021-04-13T04:24:13Z)
• RODE: Learning Roles to Decompose Multi-Agent Tasks [69.56458960841165]
  ロールベースの学習は、ロールを使って複雑なタスクを分解することで、スケーラブルなマルチエージェント学習を実現するという約束を持っている。 本稿では,まず,環境および他のエージェントに対する影響に応じて協調行動空間をクラスタリングすることで,制約された役割行動空間に分解することを提案する。 これらの進歩により、我々の手法は、挑戦的なStarCraft IIマイクロマネジメントベンチマークを構成する14シナリオのうち10シナリオにおいて、現在の最先端のMARLアルゴリズムよりも優れています。
  論文  参考訳（メタデータ） (2020-10-04T09:20:59Z)
• Learning from Learners: Adapting Reinforcement Learning Agents to be Competitive in a Card Game [71.24825724518847]
  本稿では,競争力のあるマルチプレイヤーカードゲームの現実的な実装を学習・プレイするために,一般的な強化学習アルゴリズムをどのように適用できるかについて検討する。 本研究は,学習エージェントに対して,エージェントが競争力を持つことの学習方法を評価するための特定のトレーニングと検証ルーチンを提案し,それらが相互の演奏スタイルにどのように適応するかを説明する。
  論文  参考訳（メタデータ） (2020-04-08T14:11:05Z)

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。