論文の概要: Unrolled Graph Learning for Multi-Agent Collaboration
- arxiv url: http://arxiv.org/abs/2210.17101v1
- Date: Mon, 31 Oct 2022 07:05:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 19:42:20.904699
- Title: Unrolled Graph Learning for Multi-Agent Collaboration
- Title(参考訳): マルチエージェント協調のためのグラフ学習
- Authors: Enpei Zhang, Shuo Tang, Xiaowen Dong, Siheng Chen, Yanfeng Wang
- Abstract要約: 人間のコラボレーションにインスパイアされた分散マルチエージェント学習モデルを提案する。
エージェントは、適切なコラボレータを自律的に検出し、より良いパフォーマンスを得るためにコラボレータのモデルを参照することができる。
- 参考スコア(独自算出の注目度): 37.239120967721156
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-agent learning has gained increasing attention to tackle distributed
machine learning scenarios under constrictions of data exchanging. However,
existing multi-agent learning models usually consider data fusion under fixed
and compulsory collaborative relations among agents, which is not as flexible
and autonomous as human collaboration. To fill this gap, we propose a
distributed multi-agent learning model inspired by human collaboration, in
which the agents can autonomously detect suitable collaborators and refer to
collaborators' model for better performance. To implement such adaptive
collaboration, we use a collaboration graph to indicate the pairwise
collaborative relation. The collaboration graph can be obtained by graph
learning techniques based on model similarity between different agents. Since
model similarity can not be formulated by a fixed graphical optimization, we
design a graph learning network by unrolling, which can learn underlying
similar features among potential collaborators. By testing on both regression
and classification tasks, we validate that our proposed collaboration model can
figure out accurate collaborative relationship and greatly improve agents'
learning performance.
- Abstract(参考訳): マルチエージェント学習は、データ交換の制限の下で分散機械学習シナリオに取り組むために注目を集めている。
しかし、既存のマルチエージェント学習モデルは、通常、エージェント間の固定的かつ強制的な協調関係の下でのデータ融合を検討する。
このギャップを埋めるために,エージェントが適切なコラボレータを自律的に検出し,パフォーマンス向上のためにコラボレータのモデルを参照できる,ヒューマンコラボレーションにインスパイアされた分散マルチエージェント学習モデルを提案する。
このような適応的な協調を実現するために,協調グラフを用いて協調関係を示す。
協調グラフは、異なるエージェント間のモデル類似性に基づいたグラフ学習技術によって得られる。
モデルの類似性は固定されたグラフィカル最適化では定式化できないため、グラフ学習ネットワークを展開することで設計する。
回帰タスクと分類タスクの両方をテストすることで,提案する協調モデルが正確な協調関係を解明し,エージェントの学習性能を大幅に向上できることを確認した。
関連論文リスト
- Decentralized and Lifelong-Adaptive Multi-Agent Collaborative Learning [57.652899266553035]
分散型および生涯適応型多エージェント協調学習は、中央サーバを使わずに複数のエージェント間のコラボレーションを強化することを目的としている。
動的協調グラフを用いた分散マルチエージェント生涯協調学習アルゴリズムであるDeLAMAを提案する。
論文 参考訳(メタデータ) (2024-03-11T09:21:11Z) - Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [55.65482030032804]
社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。
本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。
提案手法は,軌道予測器が将来の状態を生成するために使用する関係の進化を捉えるために,動的に進化する関係グラフとハイパーグラフを推論する。
論文 参考訳(メタデータ) (2024-01-22T18:58:22Z) - Structured Cooperative Learning with Graphical Model Priors [98.53322192624594]
ローカルデータに制限のある分散デバイス上で、さまざまなタスクに対してパーソナライズされたモデルをトレーニングする方法を研究する。
本稿では,デバイス間の協調グラフをグラフィカルモデルにより生成する「構造化協調学習(SCooL)」を提案する。
SCooLを評価し,既存の分散学習手法と比較した。
論文 参考訳(メタデータ) (2023-06-16T02:41:31Z) - Collaborative Learning via Prediction Consensus [38.89001892487472]
我々は,協力者の専門知識を活用して,各エージェントの目標が自身のモデルを改善するための協調学習環境を考える。
本研究では, 共分散ラベル付き補助データを利用した蒸留法を提案する。
我々は,協調方式が個々のモデルの性能を大幅に向上させることができることを実証的に実証した。
論文 参考訳(メタデータ) (2023-05-29T14:12:03Z) - A Graph-Enhanced Click Model for Web Search [67.27218481132185]
ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。
セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
論文 参考訳(メタデータ) (2022-06-17T08:32:43Z) - Learning Distilled Collaboration Graph for Multi-Agent Perception [32.19007908261323]
本稿では, エージェント間の学習, ポーズ・アウェア, 適応的なコラボレーションをモデル化するための新しいコラボグラフ(DiscoGraph)を提案する。
提案手法は,大規模マルチエージェント認識データセットであるV2X-Sim 1.0で検証される。
論文 参考訳(メタデータ) (2021-11-01T01:13:19Z) - 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)
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。