論文の概要: Interactive inference: a multi-agent model of cooperative joint actions
- arxiv url: http://arxiv.org/abs/2210.13113v1
- Date: Mon, 24 Oct 2022 11:01:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-25 21:17:24.789772
- Title: Interactive inference: a multi-agent model of cooperative joint actions
- Title（参考訳）: 対話的推論:協調行動のマルチエージェントモデル
- Authors: Domenico Maisto, Francesco Donnarumma, Giovanni Pezzulo
- Abstract要約: 能動推論の認知的枠組みに基づく多エージェント協調行動の新しいモデルを作成する。
対話型推論は,複数エージェントの関節動作の成功をサポートし,「リーダーレス」と「リーダーフォロワー」の関節動作の重要な認知的・行動的ダイナミクスを再現することを示す。
- 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 advance a novel computational model of multi-agent, cooperative joint
actions that is grounded in the cognitive framework of active inference. The
model assumes that to solve a joint task, such as pressing together a red or
blue button, two (or more) agents engage in a process of interactive inference.
Each agent maintains probabilistic beliefs about the goal of the joint task
(e.g., should we press the red or blue button?) and updates them by observing
the other agent's movements, while in turn selecting movements that make his
own intentions legible and easy to infer by the other agent (i.e., sensorimotor
communication). Over time, the interactive inference aligns both the beliefs
and the behavioral strategies of the agents, hence ensuring the success of the
joint action. We exemplify the functioning of the model in two simulations. The
first simulation illustrates a ''leaderless'' joint action. It shows that when
two agents lack a strong preference about their joint task goal, they jointly
infer it by observing each other's movements. In turn, this helps the
interactive alignment of their beliefs and behavioral strategies. The second
simulation illustrates a "leader-follower" joint action. It shows that when one
agent ("leader") knows the true joint goal, it uses sensorimotor communication
to help the other agent ("follower") infer it, even if doing this requires
selecting a more costly individual plan. These simulations illustrate that
interactive inference supports successful multi-agent joint actions and
reproduces key cognitive and behavioral dynamics of "leaderless" and
"leader-follower" joint actions observed in human-human experiments. In sum,
interactive inference provides a cognitively inspired, formal framework to
realize cooperative joint actions and consensus in multi-agent systems.
- Abstract（参考訳）: 我々は,能動推論の認知的枠組みに根ざした,多エージェント協調行動の新しい計算モデルを構築した。
このモデルは、赤または青のボタンを2つ(またはそれ以上)のエージェントが結合したタスクを、対話的な推論のプロセスで解決する、と仮定している。
各エージェントは、共同作業の目的(例えば、赤または青のボタンを押すべきか?)に関する確率論的信念を維持し、他のエージェントの動きを観察してそれらを更新する一方で、自身の意図を正当かつ容易に他のエージェントによって推測できる動きを選択する。
時間とともに、対話的推論はエージェントの信念と行動戦略の両方を整合させ、共同行動の成功を確実にする。
2つのシミュレーションでモデルの機能を例示する。
最初のシミュレーションは'リーダーレス'のジョイントアクションを示している。
その結果,2人のエージェントが共同作業目標に対する強い嗜好を欠いている場合,お互いの動きを観察することで,共同で推論できることが示唆された。
逆に、これは彼らの信念と行動戦略のインタラクティブなアライメントに役立つ。
第2のシミュレーションでは、"リーダーフォロー"の合同動作が示されている。
これは、あるエージェント(リーダー)が真のジョイントゴールを知っている場合、他のエージェント(フォロー)がよりコストのかかる個々のプランを選択する必要があるとしても、他のエージェント(フォロー)がそれを推測するのを手助けするためにセンサーモブター通信を使用することを示している。
これらのシミュレーションは、対話的推論がマルチエージェント関節行動の成功を支持し、人間と人間の実験で観察された「リーダーレス」および「リーダーフォロワー」関節行動の重要な認知的・行動的ダイナミクスを再現することを示している。
まとめると、対話的推論は、マルチエージェントシステムにおいて協調的な協調行動とコンセンサスを実現する認知的にインスパイアされた形式的枠組みを提供する。
関連論文リスト
- AgentVerse: Facilitating Multi-Agent Collaboration and Exploring
Emergent Behaviors [93.38830440346783]
本稿では,その構成をより高機能なシステムとして協調的に調整できるマルチエージェントフレームワークを提案する。
実験により,フレームワークが単一エージェントより優れたマルチエージェントグループを効果的に展開できることが実証された。
これらの振舞いの観点から、我々は、ポジティブなものを活用し、ネガティブなものを緩和し、マルチエージェントグループの協調可能性を改善するためのいくつかの戦略について議論する。
論文 参考訳（メタデータ） (2023-08-21T16:47:11Z) - Inferring the Goals of Communicating Agents from Actions and
Instructions [47.5816320484482]
本稿では,あるエージェント,プリンシパルが,その共有計画に関する自然言語指示を他のエージェント,アシスタントに伝達できるような協力チームのモデルを提案する。
3人目のオブザーバが、アクションや指示からマルチモーダルな逆計画を通じて、チームの目標を推測する方法を示します。
我々は,マルチエージェントグリッドワールドにおける人間の目標推定と比較し,モデルの推定が人間の判断と密接に相関していることを見出した。
論文 参考訳（メタデータ） (2023-06-28T13:43:46Z) - Rethinking Trajectory Prediction via "Team Game" [118.59480535826094]
本稿では,対話型グループコンセンサスの概念を明示的に導入した,マルチエージェント軌道予測の新しい定式化について述べる。
チームスポーツと歩行者の2つのマルチエージェント設定において,提案手法は既存手法と比較して常に優れた性能を達成している。
論文 参考訳（メタデータ） (2022-10-17T07:16:44Z) - Diversifying Agent's Behaviors in Interactive Decision Models [11.125175635860169]
他のエージェントの振る舞いをモデル化することは、複数のエージェント間の相互作用に関する決定モデルにおいて重要な役割を果たす。
本稿では,その相互作用に先立って,被験者の意思決定モデルにおける他のエージェントの行動の多様化について検討する。
論文 参考訳（メタデータ） (2022-03-06T23:05:00Z) - Resonating Minds -- Emergent Collaboration Through Hierarchical Active
Inference [0.0]
精神状態(意図,目標)のレベルでの自動調整プロセスが,協調的な問題解決につながるかを検討する。
協調エージェント(HAICA)の階層的アクティブ推論モデルを提案する。
本研究では,信念共鳴と能動的推論により,迅速かつ効率的なエージェント協調が可能であり,協調認知エージェントのビルディングブロックとして機能することを示す。
論文 参考訳（メタデータ） (2021-12-02T13:23:44Z) - ToM2C: Target-oriented Multi-agent Communication and Cooperation with
Theory of Mind [18.85252946546942]
心の理論(Theory of Mind、ToM)は、効果的なコミュニケーションと協力が可能な社会的に知的なエージェントを構築する。
このアイデアは、協調ナビゲーションとマルチセンサーターゲットカバレッジという、2つの典型的な目標指向型マルチエージェントタスクで実証される。
論文 参考訳（メタデータ） (2021-10-15T18:29:55Z) - 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) - Cooperative and Competitive Biases for Multi-Agent Reinforcement
Learning [12.676356746752893]
マルチエージェント強化学習(MARL)アルゴリズムのトレーニングは,単一エージェント強化学習アルゴリズムのトレーニングよりも難しい。
本稿では,他のエージェントの偏りのある行動情報を用いたMARL訓練を促進するアルゴリズムを提案する。
本アルゴリズムは, 多様な協調競合環境において, 既存のアルゴリズムを上回っていることを実証した。
論文 参考訳（メタデータ） (2021-01-18T05:52:22Z) - Investigating Human Response, Behaviour, and Preference in Joint-Task
Interaction [3.774610219328564]
我々は、説明可能な計画(XAIP)エージェントと相互作用する人間の行動と反応を調べる実験を設計した。
また,シミュレーションユーザに対する2つのエージェントの挙動を実証分析により検討した。
論文 参考訳（メタデータ） (2020-11-27T22:16:59Z) - Learning Latent Representations to Influence Multi-Agent Interaction [65.44092264843538]
エージェントのポリシーの潜在表現を学習するための強化学習に基づくフレームワークを提案する。
提案手法は代替手段よりも優れており,他のエージェントに影響を与えることを学習している。
論文 参考訳（メタデータ） (2020-11-12T19:04:26Z) - Intrinsic Motivation for Encouraging Synergistic Behavior [55.10275467562764]
スパース・リワード・シナジスティック・タスクにおける強化学習の探索バイアスとしての本質的モチベーションの役割について検討した。
私たちのキーとなる考え方は、シナジスティックなタスクにおける本質的なモチベーションのための優れた指針は、エージェントが自分自身で行動している場合、達成できない方法で世界に影響を与える行動を取ることである。
論文 参考訳（メタデータ） (2020-02-12T19:34:51Z)
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。