論文の概要: Proportional Fair Division of Multi-layered Cakes
- arxiv url: http://arxiv.org/abs/2208.00726v1
- Date: Mon, 1 Aug 2022 10:22:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-02 14:28:57.680155
- Title: Proportional Fair Division of Multi-layered Cakes
- Title(参考訳): 多層ケーキの比例フェア分割
- Authors: Mohammad Azharuddin Sanpui
- Abstract要約: 連続性や実現可能性の制約を満たす選好数を持つ任意のエージェントに対して、比例的マルチアロケーションが存在することを示す。
2種類の嗜好を持つ3つのエージェントに対して、実現可能性と整合性の制約を満たす、うらやましい自由なマルチアロケーションが常に得られます。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study the multi-layered cake cutting problem, where the multi-layered cake
is divided among agents proportionally. This problem was initiated by Hosseini
et al.(2020) under two constraints, one is contiguity and the other is
feasibility. Basically we will show the existence of proportional
multi-allocation for any number of agents with any number of preferences that
satisfies contiguity and feasibility constraints using the idea of switching
point for individual agent and majority agents. First we show that exact
feasible multi-allocation is guaranteed to exist for two agents with two types
of preferences. Second we see that we always get an envy-free multi-allocation
that satisfies the feasibility and contiguity constraints for three agent with
two types of preferences such that each agent has a share to each layer even
without the knowledge of the unique preference of the third agent.
- Abstract(参考訳): 本研究では,多層ケーキをエージェントに比例して分割する多層ケーキ切断問題について検討する。
この問題はHosseiniらによって始められた。
(2020) 二つの制約の下では、一方が連続性、もう一方が実現可能である。
基本的に、各エージェントと多数エージェントの切り替え点という概念を用いて、相性や実現可能性の制約を満たす任意の数の選好を持つエージェントに対して比例多重配置が存在することを示す。
まず、2種類の選好を持つ2つのエージェントに対して、正確なマルチアロケーションが保証されることを示す。
第二に, 3 種類の選好を持つエージェントに対して, 3 番目のエージェントのユニークな選好の知識がなくても,各エージェントが各レイヤにシェアを持つように, 実現可能性と連続性の制約を満たす, エンビーフリーなマルチアロケーションが常に得られることがわかった。
関連論文リスト
- Mix-ME: Quality-Diversity for Multi-Agent Learning [11.130914000431353]
人気のMAP-Elitesアルゴリズムのマルチエージェント版であるMix-MEを紹介する。
提案手法は,可観測性のある連続制御タスクの多種多様について評価する。
論文 参考訳(メタデータ) (2023-11-03T10:36:54Z) - Selectively Sharing Experiences Improves Multi-Agent Reinforcement
Learning [10.39671721972528]
エージェントは他のエージェントと、トレーニング中に観察される遷移の限られた数で共有する、新しいマルチエージェントRLアプローチを提案する。
提案手法は,ベースラインの非共有型分散トレーニングと最先端のマルチエージェントRLアルゴリズムより優れていることを示す。
論文 参考訳(メタデータ) (2023-11-01T21:35:32Z) - On the Complexity of Multi-Agent Decision Making: From Learning in Games
to Partial Monitoring [105.13668993076801]
マルチエージェント強化学習(MARL)理論における中心的な問題は、構造条件やアルゴリズムの原理がサンプル効率の学習保証につながるかを理解することである。
本稿では,複数のエージェントを用いた対話型意思決定のための一般的な枠組みとして,この問題について考察する。
マルチエージェント意思決定における統計的複雑性を特徴付けることは、単一エージェント決定の統計的複雑性を特徴付けることと等価であることを示す。
論文 参考訳(メタデータ) (2023-05-01T06:46:22Z) - Multi-agent Deep Covering Skill Discovery [50.812414209206054]
本稿では,複数エージェントの結合状態空間の予測被覆時間を最小化し,マルチエージェントオプションを構築するマルチエージェントDeep Covering Option Discoveryを提案する。
また、MARLプロセスにマルチエージェントオプションを採用するための新しいフレームワークを提案する。
提案アルゴリズムは,アテンション機構とエージェントの相互作用を効果的に把握し,マルチエージェントオプションの同定に成功した。
論文 参考訳(メタデータ) (2022-10-07T00:40:59Z) - Policy Diagnosis via Measuring Role Diversity in Cooperative Multi-agent
RL [107.58821842920393]
我々はエージェントの行動差を定量化し、bfロールの多様性を通して政策パフォーマンスとの関係を構築する
MARLの誤差は, 役割多様性と強い関係を持つ3つの部分に分けられる。
分解された要因は3つの一般的な方向における政策最適化に大きな影響を及ぼす可能性がある。
論文 参考訳(メタデータ) (2022-06-01T04:58:52Z) - Robust Allocations with Diversity Constraints [65.3799850959513]
エージェント値の積を最大化するナッシュ福祉規則は,多様性の制約が導入されたとき,一意にロバストな位置にあることを示す。
また, ナッシュ・ウェルズによる保証は, 広く研究されているアロケーション・ルールのクラスにおいて, ほぼ最適であることを示す。
論文 参考訳(メタデータ) (2021-09-30T11:09:31Z) - Learning Deep Multimodal Feature Representation with Asymmetric
Multi-layer Fusion [63.72912507445662]
本稿では,マルチモーダルな特徴を複数の層に融合する,コンパクトで効果的なフレームワークを提案する。
我々は、エンコーダ内のモダリティ固有のバッチ正規化層を単に維持するだけで、共有シングルネットワーク内でマルチモーダル機能を学習できることを検証する。
次に,マルチモーダルな特徴を段階的に活用できる双方向多層融合方式を提案する。
論文 参考訳(メタデータ) (2021-08-11T03:42:13Z) - Decentralised Approach for Multi Agent Path Finding [6.599344783327053]
MAPF (Multi Agent Path Finding) は、空間的に拡張されたエージェントに対する競合のない経路の同定を必要とする。
これらは、Convoy Movement ProblemやTraning Schedulingといった現実世界の問題に適用できる。
提案手法であるDecentralized Multi Agent Path Finding (DeMAPF) は、MAPFを経路計画と割り当ての問題の系列として扱う。
論文 参考訳(メタデータ) (2021-06-03T18:07:26Z) - Randomized Entity-wise Factorization for Multi-Agent Reinforcement
Learning [59.62721526353915]
実世界のマルチエージェント設定は、エージェントや非エージェントエンティティのタイプや量が異なるタスクを伴うことが多い。
我々の方法は、これらの共通点を活用することを目的としており、「観察対象のランダムに選択されたサブグループのみを考えるとき、各エージェントが期待する効用は何か?」という問いを投げかける。
論文 参考訳(メタデータ) (2020-06-07T18:28:41Z)
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。