論文の概要: Toward a Reasoning and Learning Architecture for Ad Hoc Teamwork
- arxiv url: http://arxiv.org/abs/2208.11556v1
- Date: Wed, 24 Aug 2022 13:57:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-25 13:10:23.729322
- Title: Toward a Reasoning and Learning Architecture for Ad Hoc Teamwork
- Title（参考訳）: アドホックチームワークのための推論と学習アーキテクチャを目指して
- Authors: Hasra Dodampegama, Mohan Sridharan
- Abstract要約: 先行調整のないエージェントチームにおけるコラボレーションを指すアドホックなチームワークのためのアーキテクチャを提案する。
私たちのアーキテクチャは、知識ベースとデータ駆動推論と学習の原則を組み合わせています。
シミュレーションされたマルチエージェントのコラボレーションドメインであるFort Attackを使って、アーキテクチャが予期せぬ変更への適応をサポートすることを実証しています。
- 参考スコア（独自算出の注目度）: 4.454557728745761
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present an architecture for ad hoc teamwork, which refers to collaboration
in a team of agents without prior coordination. State of the art methods for
this problem often include a data-driven component that uses a long history of
prior observations to model the behaviour of other agents (or agent types) and
to determine the ad hoc agent's behavior. In many practical domains, it is
challenging to find large training datasets, and necessary to understand and
incrementally extend the existing models to account for changes in team
composition or domain attributes. Our architecture combines the principles of
knowledge-based and data-driven reasoning and learning. Specifically, we enable
an ad hoc agent to perform non-monotonic logical reasoning with prior
commonsense domain knowledge and incrementally-updated simple predictive models
of other agents' behaviour. We use the benchmark simulated multiagent
collaboration domain Fort Attack to demonstrate that our architecture supports
adaptation to unforeseen changes, incremental learning and revision of models
of other agents' behaviour from limited samples, transparency in the ad hoc
agent's decision making, and better performance than a data-driven baseline.
- Abstract（参考訳）: 先行調整のないエージェントチームにおけるコラボレーションを指すアドホックなチームワークのためのアーキテクチャを提案する。
この問題に対する最先端の手法には、他のエージェント(またはエージェントタイプ)の振る舞いをモデル化し、アドホックエージェントの振る舞いを決定するために、事前観察の長い履歴を使用するデータ駆動コンポーネントが含まれることが多い。
多くの実践的なドメインでは、大規模なトレーニングデータセットを見つけることが困難であり、チーム構成やドメイン属性の変化を考慮した既存のモデルを理解し、段階的に拡張する必要がある。
私たちのアーキテクチャは、知識ベースとデータ駆動推論と学習の原則を組み合わせています。
具体的には、アドホックエージェントが、事前のコモンセンスドメイン知識と、他のエージェントの振る舞いの漸進的に更新された単純な予測モデルを用いて、非単調な論理的推論を行えるようにする。
我々のアーキテクチャは、予期せぬ変更への適応、限られたサンプルから他のエージェントの振る舞いのモデルのインクリメンタル学習と修正、アドホックエージェントの意思決定における透明性、データ駆動ベースラインよりも優れたパフォーマンスをサポートすることを実証するために、シミュレーションされたマルチエージェントコラボレーションドメインであるFort Attackを使用します。
関連論文リスト
- Communication Learning in Multi-Agent Systems from Graph Modeling Perspective [62.13508281188895]
本稿では,エージェント間の通信アーキテクチャを学習可能なグラフとして概念化する手法を提案する。
本稿では,各エージェントに対して時間的ゲーティング機構を導入し,ある時間に共有情報を受信するかどうかの動的決定を可能にする。
論文 参考訳（メタデータ） (2024-11-01T05:56:51Z) - Learning Multi-Agent Communication from Graph Modeling Perspective [62.13508281188895]
本稿では,エージェント間の通信アーキテクチャを学習可能なグラフとして概念化する手法を提案する。
提案手法であるCommFormerは,通信グラフを効率よく最適化し,勾配降下によるアーキテクチャパラメータをエンドツーエンドで並列に洗練する。
論文 参考訳（メタデータ） (2024-05-14T12:40:25Z) - Contrastive learning-based agent modeling for deep reinforcement
learning [31.293496061727932]
エージェントモデリングは、マルチエージェントシステムにおけるインテリジェントマシンエージェントの適応ポリシーを設計する際に必須である。
我々は,エゴエージェントの訓練・実行時の局所的な観察のみに依存する,コントラスト学習に基づくエージェントモデリング(CLAM)手法を考案した。
CLAMは、各エピソードの冒頭から、リアルタイムに一貫した高品質なポリシー表現を生成することができる。
論文 参考訳（メタデータ） (2023-12-30T03:44:12Z) - Pangu-Agent: A Fine-Tunable Generalist Agent with Structured Reasoning [50.47568731994238]
人工知能(AI)エージェント作成の鍵となる方法は強化学習(RL)である
本稿では,構造化推論をAIエージェントのポリシーに統合し,学習するための一般的なフレームワークモデルを提案する。
論文 参考訳（メタデータ） (2023-12-22T17:57:57Z) - AgentCF: Collaborative Learning with Autonomous Language Agents for
Recommender Systems [112.76941157194544]
本稿では,エージェントベースの協調フィルタリングにより,レコメンデータシステムにおけるユーザとイテムのインタラクションをシミュレートするエージェントCFを提案する。
我々は、ユーザだけでなく、アイテムをエージェントとして、創造的に考慮し、両方のエージェントを同時に最適化する協調学習アプローチを開発します。
全体として、最適化されたエージェントは、ユーザ・イテム、ユーザ・ユーザ・ユーザ、アイテム・イテム、集合的インタラクションなど、フレームワーク内での多様なインタラクションの振る舞いを示す。
論文 参考訳（メタデータ） (2023-10-13T16:37:14Z) - Knowledge-based Reasoning and Learning under Partial Observability in Ad
Hoc Teamwork [4.454557728745761]
本稿では,非単調な論理的推論に基づいてアドホックエージェントの動作を決定するアーキテクチャを提案する。
これは、他のエージェントの行動を予測するモデルのオンライン選択、適応、学習をサポートする。
単純なシナリオと複雑なシナリオの両方において、アーキテクチャのパフォーマンスが、最先端のデータ駆動ベースラインと同等か、あるいは同等であることを示す。
論文 参考訳（メタデータ） (2023-06-01T15:21:27Z) - Beyond Rewards: a Hierarchical Perspective on Offline Multiagent
Behavioral Analysis [14.656957226255628]
本稿では,マルチエージェント領域における行動クラスタの発見のためのモデルに依存しない手法を提案する。
我々のフレームワークはエージェントの基盤となる学習アルゴリズムを前提とせず、潜伏状態やモデルへのアクセスを必要とせず、完全にオフラインで観察データを使って訓練することができる。
論文 参考訳（メタデータ） (2022-06-17T23:07:33Z) - 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) - Deep Interactive Bayesian Reinforcement Learning via Meta-Learning [63.96201773395921]
他のエージェントの戦略に対する不確実性下での最適適応行動は、インタラクティブベイズ強化学習フレームワークを用いて計算することができる。
本稿では,メタラーン近似的信念推論とベイズ最適行動を提案する。
提案手法は, モデルフリーアプローチ, 近似後部からのサンプル採取, 他者のメモリフリーモデル維持, あるいは環境の既知の構造を完全に活用しない既存手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-01-11T13:25:13Z) - Agent Modelling under Partial Observability for Deep Reinforcement
Learning [12.903487594031276]
エージェントモデリングの既存の方法は、実行中にローカルな観察とモデル化されたエージェントの選択されたアクションの知識を仮定する。
制御されたエージェントの局所的な観察に基づいて,モデル化されたエージェントの表現を抽出することを学ぶ。
これらの表現は、深い強化学習を通じて訓練された制御エージェントの決定ポリシーを強化するために使用される。
論文 参考訳（メタデータ） (2020-06-16T18:43:42Z)
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。