論文の概要: Reward-Sharing Relational Networks in Multi-Agent Reinforcement Learning as a Framework for Emergent Behavior

• arxiv url: http://arxiv.org/abs/2207.05886v1
• Date: Tue, 12 Jul 2022 23:27:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-14 15:31:23.444383
• Title: Reward-Sharing Relational Networks in Multi-Agent Reinforcement Learning as a Framework for Emergent Behavior
• Title（参考訳）: 創発的行動の枠組みとしての多エージェント強化学習におけるリレーショナルネットワーク
• Authors: Hossein Haeri, Reza Ahmadzadeh, Kshitij Jerath
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this work, we integrate `social' interactions into the MARL setup through a user-defined relational network and examine the effects of agent-agent relations on the rise of emergent behaviors. Leveraging insights from sociology and neuroscience, our proposed framework models agent relationships using the notion of Reward-Sharing Relational Networks (RSRN), where network edge weights act as a measure of how much one agent is invested in the success of (or `cares about') another. We construct relational rewards as a function of the RSRN interaction weights to collectively train the multi-agent system via a multi-agent reinforcement learning algorithm. The performance of the system is tested for a 3-agent scenario with different relational network structures (e.g., self-interested, communitarian, and authoritarian networks). Our results indicate that reward-sharing relational networks can significantly influence learned behaviors. We posit that RSRN can act as a framework where different relational networks produce distinct emergent behaviors, often analogous to the intuited sociological understanding of such networks.
• Abstract（参考訳）: 本研究では,ユーザ定義リレーショナルネットワークを通じて「社会的」相互作用をMARLセットアップに統合し,エージェントとエージェントの関係が創発的行動の発生に与える影響を検討する。 社会学と神経科学からの洞察を生かして、我々の提案するフレームワークは、ネットワークエッジウェイトが、あるエージェントが別のエージェントの成功(または「ケア」)にどれだけ投資されているかを測定する尺度として機能する、Reward-Sharing Relational Networks(RSRN)という概念を用いてエージェント関係をモデル化する。 RSRN相互作用重み関数の関数としてリレーショナル報酬を構築し,マルチエージェント強化学習アルゴリズムを用いてマルチエージェントシステムを一括訓練する。 システムの性能は、異なるリレーショナルネットワーク構造(例えば、利己的、コミュニティタリアン、権威主義的ネットワーク)を持つ3エージェントシナリオでテストされる。 その結果,報酬共有関係ネットワークは学習行動に大きな影響を与えることがわかった。 我々は、RSRNが、異なる関係ネットワークが、しばしばそのようなネットワークの侵入された社会学的理解と類似した、異なる創発的行動を生み出す枠組みとして機能できると仮定する。

関連論文リスト

• Adaptive Network Intervention for Complex Systems: A Hierarchical Graph Reinforcement Learning Approach [0.8287206589886879]
  本稿では,階層型グラフ強化学習フレームワークについて紹介する。 低い社会的学習の下では、HGRLマネージャは協力を維持し、コオペレーターが支配する堅牢なコア周辺ネットワークを形成する。 対照的に、高い社会的学習の欠陥は加速し、スパサーやチェーンのようなネットワークへと繋がる。
  論文  参考訳（メタデータ） (2024-10-30T18:59:02Z)
• 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)
• 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)
• Enhancing Cooperation through Selective Interaction and Long-term Experiences in Multi-Agent Reinforcement Learning [10.932974027102619]
  本研究では,空間的囚人のジレンマゲームにおけるマルチエージェント強化学習に基づく計算フレームワークを提案する。 2つの異なるQ-ネットを用いて各エージェントをモデル化することにより、協調と相互作用の共進化ダイナミクスを解き放つ。
  論文  参考訳（メタデータ） (2024-05-04T12:42:55Z)
• SocialGFs: Learning Social Gradient Fields for Multi-Agent Reinforcement Learning [58.84311336011451]
  マルチエージェント強化学習のための新しい勾配に基づく状態表現を提案する。 オフラインサンプルからソーシャルグラデーションフィールド(SocialGF)を学習するために,デノジングスコアマッチングを採用している。 実際に、SocialGFをMAPPOなど、広く使われているマルチエージェント強化学習アルゴリズムに統合する。
  論文  参考訳（メタデータ） (2024-05-03T04:12:19Z)
• 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)
• Multi-Agent Imitation Learning with Copulas [102.27052968901894]
  マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。 本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。 提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
  論文  参考訳（メタデータ） (2021-07-10T03:49:41Z)
• The Impact of Network Connectivity on Collective Learning [1.370633147306388]
  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。
  論文  参考訳（メタデータ） (2021-06-01T17:39:26Z)
• 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)
• Reputation-driven Decision-making in Networks of Stochastic Agents [0.0]
  RepNet-MDP と呼ばれる Markov Decision Process 由来のフレームワークを提案する。 一連の実験では、RepNetエージェントは、ネットワークの残りのエージェントの過去の振る舞いと信頼性に自身の振る舞いを適応できることが示されている。
  論文  参考訳（メタデータ） (2020-08-26T20:21:04Z)
• Cascaded Human-Object Interaction Recognition [175.60439054047043]
  マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。 各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。 慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
  論文  参考訳（メタデータ） (2020-03-09T17:05:04Z)

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。