論文の概要: RV4JaCa -- Runtime Verification for Multi-Agent Systems
- arxiv url: http://arxiv.org/abs/2207.09708v1
- Date: Wed, 20 Jul 2022 07:25:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-21 14:14:45.804486
- Title: RV4JaCa -- Runtime Verification for Multi-Agent Systems
- Title(参考訳): RV4JaCa -- マルチエージェントシステムの実行時検証
- Authors: Debora C. Engelmann (PUCRS and UniGe), Angelo Ferrando (UniGe), Alison
R. Panisson (UFSC), Davide Ancona (UniGe), Rafael H. Bordini (PUCRS), Viviana
Mascardi (UniGe)
- Abstract要約: 本稿では, JaCaMo フレームワークを用いたマルチエージェントシステム (MAS) に対する検証 (RV) アプローチを提案する。
私たちの目標は、MASにセキュリティ層を提供することです。
このレイヤは、イベントを認識するために各エージェントの振る舞いに特定の実装を必要とせずに、システム実行中のイベントを制御することができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a Runtime Verification (RV) approach for Multi-Agent
Systems (MAS) using the JaCaMo framework. Our objective is to bring a layer of
security to the MAS. This layer is capable of controlling events during the
execution of the system without needing a specific implementation in the
behaviour of each agent to recognise the events. MAS have been used in the
context of hybrid intelligence. This use requires communication between
software agents and human beings. In some cases, communication takes place via
natural language dialogues. However, this kind of communication brings us to a
concern related to controlling the flow of dialogue so that agents can prevent
any change in the topic of discussion that could impair their reasoning. We
demonstrate the implementation of a monitor that aims to control this dialogue
flow in a MAS that communicates with the user through natural language to aid
decision-making in hospital bed allocation.
- Abstract(参考訳): 本稿では, JaCaMo フレームワークを用いたマルチエージェントシステム (MAS) に対する実行時検証 (RV) 手法を提案する。
私たちの目標は、MASにセキュリティ層を提供することです。
このレイヤは、各エージェントがイベントを認識するために特定の実装を必要とせずに、システム実行中のイベントを制御することができる。
masはハイブリッドインテリジェンスの文脈で使われてきた。
この利用には、ソフトウェアエージェントと人間とのコミュニケーションが必要である。
場合によっては、自然言語の対話を通じてコミュニケーションが行われる。
しかし,このようなコミュニケーションは対話の流れの制御に関わる懸念を生じさせ,エージェントが議論の話題の変化を防ぎ,彼らの推論を損なうおそれがある。
病院のベッドアロケーションにおける意思決定を支援するために,自然言語を介してユーザと通信するMASにおいて,この対話フローを制御するためのモニタの実装を実演する。
関連論文リスト
- SpeechAgents: Human-Communication Simulation with Multi-Modal
Multi-Agent Systems [53.94772445896213]
大規模言語モデル(LLM)に基づくマルチエージェントシステムは,人間の社会をシミュレートする上で有望な性能を示した。
本研究では,マルチモーダルLLMに基づくマルチエージェントシステムであるSpeechAgentsを提案する。
論文 参考訳(メタデータ) (2024-01-08T15:01:08Z) - Multi-User MultiWOZ: Task-Oriented Dialogues among Multiple Users [51.34484827552774]
マルチユーザMulti-User MultiWOZデータセットを2つのユーザと1つのエージェント間のタスク指向対話としてリリースする。
これらの対話は、タスク指向のシナリオにおける協調的な意思決定の興味深いダイナミクスを反映している。
本稿では,複数ユーザ間のタスク指向のチャットを簡潔なタスク指向のクエリとして書き換える,マルチユーザコンテキストクエリ書き換えの新しいタスクを提案する。
論文 参考訳(メタデータ) (2023-10-31T14:12:07Z) - Control as Probabilistic Inference as an Emergent Communication
Mechanism in Multi-Agent Reinforcement Learning [7.0471949371778795]
本稿では,創発的コミュニケーションと強化学習を統合した生成確率モデルを提案する。
提案したPGMは協調作業を実現するために有意義なメッセージを推測できることを示す。
論文 参考訳(メタデータ) (2023-07-11T03:53:46Z) - Controllable Mixed-Initiative Dialogue Generation through Prompting [50.03458333265885]
混合開始対話タスクには、情報の繰り返し交換と会話制御が含まれる。
エージェントは、ポリシープランナーが定める特定の対話意図や戦略に従う応答を生成することにより、コントロールを得る。
標準的なアプローチは、これらの意図に基づいて生成条件を実行するために、訓練済みの言語モデルを微調整している。
代わりに、条件生成の微調整に代えて、大きな言語モデルをドロップインで置き換えるように促します。
論文 参考訳(メタデータ) (2023-05-06T23:11:25Z) - Certifiably Robust Policy Learning against Adversarial Communication in
Multi-agent Systems [51.6210785955659]
多くのマルチエージェント強化学習(MARL)では,エージェントが情報を共有し,適切な判断を下す上でコミュニケーションが重要である。
しかし、ノイズや潜在的な攻撃者が存在する現実世界のアプリケーションに訓練された通信エージェントを配置すると、通信ベースのポリシーの安全性は過小評価されている深刻な問題となる。
本研究では,攻撃者が任意の$CfracN-12$エージェントから被害者エージェントへの通信を任意に変更できる,$N$エージェントを備えた環境を検討する。
論文 参考訳(メタデータ) (2022-06-21T07:32:18Z) - Coordinating Policies Among Multiple Agents via an Intelligent
Communication Channel [81.39444892747512]
MARL(Multi-Agent Reinforcement Learning)では、エージェントが直接通信できる特別なチャンネルがしばしば導入される。
本稿では,エージェントの集団的性能を向上させるために,エージェントが提供した信号の伝達と解釈を学習する,インテリジェントなファシリテータを通じてエージェントがコミュニケーションする手法を提案する。
論文 参考訳(メタデータ) (2022-05-21T14:11:33Z) - Toward Self-Learning End-to-End Dialog Systems [107.65369860922392]
環境変化におけるエンドツーエンドの対話システムを構築するための自己学習フレームワークであるSL-Agentを提案する。
SL-Agentは、システム応答の品質を判断するダイアログモデルと事前訓練された報酬モデルから構成される。
実験により、SL-Agentは限定的な人間の修正によって、新しいタスクに効果的に適応できることが示されている。
論文 参考訳(メタデータ) (2022-01-18T09:56:35Z) - Deep reinforcement learning of event-triggered communication and control
for multi-agent cooperative transport [9.891241465396098]
協調輸送のためのコミュニケーション・制御戦略の設計問題に対処する多エージェント強化学習手法を検討する。
我々のフレームワークはイベントトリガーアーキテクチャ、すなわち通信入力を演算するフィードバックコントローラと、入力を再更新する必要があるタイミングを決定するトリガー機構を利用する。
論文 参考訳(メタデータ) (2021-03-29T01:16:12Z) - 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) - Learning Individually Inferred Communication for Multi-Agent Cooperation [37.56115000150748]
我々はエージェントエージェントがエージェントエージェントコミュニケーションの事前学習を可能にするために、個別推論通信(I2C)を提案する。
先行知識は因果推論によって学習され、フィードフォワードニューラルネットワークによって実現される。
I2Cは通信オーバーヘッドを減らすだけでなく、様々なマルチエージェント協調シナリオのパフォーマンスを向上させることができる。
論文 参考訳(メタデータ) (2020-06-11T14:07:57Z) - 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)
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。