論文の概要: Learning Decentralized Strategies for a Perimeter Defense Game with Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2211.01757v1
• Date: Sat, 24 Sep 2022 22:48:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-25 07:44:19.098493
• Title: Learning Decentralized Strategies for a Perimeter Defense Game with Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークを用いた周囲防御ゲームの学習分散戦略
• Authors: Elijah S. Lee, Lifeng Zhou, Alejandro Ribeiro, Vijay Kumar
• Abstract要約: グラフニューラルネットワークに基づく学習フレームワークを設計し、ディフェンダーのローカル認識と通信グラフからディフェンダーの行動へのマッピングを学習する。 提案するネットワークは,専門家の方針に近づき,より多くの侵入者を捕捉することで,他のベースラインアルゴリズムよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 111.9039128130633
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problem of finding decentralized strategies for multi-agent perimeter defense games. In this work, we design a graph neural network-based learning framework to learn a mapping from defenders' local perceptions and the communication graph to defenders' actions such that the learned actions are close to that generated by a centralized expert algorithm. We demonstrate that our proposed networks stay closer to the expert policy and are superior to other baseline algorithms by capturing more intruders. Our GNN-based networks are trained at a small scale and can generalize to large scales. To validate our results, we run perimeter defense games in scenarios with different team sizes and initial configurations to evaluate the performance of the learned networks.
• Abstract（参考訳）: マルチエージェント周辺防御ゲームにおける分散戦略の発見の問題を考える。 本研究では,学習行動が集中型エキスパートアルゴリズムによって生成されたものに近くなるように,防御者の局所知覚とコミュニケーショングラフから防御者の行動へのマッピングを学ぶために,グラフニューラルネットワークに基づく学習フレームワークを設計する。 提案するネットワークは,専門家の方針に近づき,より多くの侵入者を捕捉することで,他のベースラインアルゴリズムよりも優れていることを示す。 我々のGNNベースのネットワークは小規模で訓練されており、大規模に一般化することができる。 結果を検証するため,学習ネットワークの性能を評価するために,チームサイズや初期設定の異なるシナリオで周辺防衛ゲームを実行する。

関連論文リスト

• Inroads into Autonomous Network Defence using Explained Reinforcement Learning [0.5949779668853555]
  本稿では,攻撃戦略の研究,防衛エージェントの設計,運用説明のためのエンド・ツー・エンド手法を提案する。 状態図、タスクの異なる部分でトレーニングされ、浅い階層で編成された深層強化学習エージェントを使用します。 評価の結果, 得られた設計は, 先行作業に比べ, 大幅な性能向上を実現していることがわかった。
  論文  参考訳（メタデータ） (2023-06-15T17:53:14Z)
• Mastering Percolation-like Games with Deep Learning [0.0]
  ネットワークを破壊しようとする攻撃者の論理を模倣した格子上にシングルプレイヤーゲームを作成する。 ゲームの目的は、最も少ないステップ数で全てのノードを無効にすることである。 私たちは、堅牢性の異なる定義でエージェントを訓練し、学習した戦略を比較します。
  論文  参考訳（メタデータ） (2023-05-12T15:37:45Z)
• Graph Neural Networks for Decentralized Multi-Agent Perimeter Defense [111.9039128130633]
  我々は,防御者の地域認識とコミュニケーショングラフから行動へのマッピングを学習する模倣学習フレームワークを開発した。 学習ネットワークの性能を実証するために、異なるチームサイズと構成のシナリオで周辺防衛ゲームを実行します。
  論文  参考訳（メタデータ） (2023-01-23T19:35:59Z)
• Learning Generative Deception Strategies in Combinatorial Masking Games [27.2744631811653]
  詐欺の1つの方法は、システムがどのように構成されているかに関する情報を隠蔽したり、マスキングしたりすることである。 本稿では,攻撃者側がマスクする属性のサブセットを選択するのに対して,攻撃者は攻撃を行うエクスプロイトを選択することで応答する,結果として生じるディフェンダー・アタックラー相互作用のゲーム理論モデルを提案する。 両プレイヤーの戦略をニューラルネットワークとして表現することにより,そのようなゲームを概ね解くための,新しい高度にスケーラブルなアプローチを提案する。
  論文  参考訳（メタデータ） (2021-09-23T20:42:44Z)
• Scalable Perception-Action-Communication Loops with Convolutional and Graph Neural Networks [208.15591625749272]
  視覚に基づくグラフアグリゲーション・アンド・推論(VGAI)を用いた知覚-行動-コミュニケーションループの設計を提案する。 我々のフレームワークは、畳み込みとグラフニューラルネットワーク(CNN/GNN)のカスケードによって実装され、エージェントレベルの視覚知覚と特徴学習に対処する。 我々は、VGAIが他の分散コントローラに匹敵する性能を得ることを示した。
  論文  参考訳（メタデータ） (2021-06-24T23:57:21Z)
• Generating Adversarial Examples with Graph Neural Networks [26.74003742013481]
  両手法の強みを生かしたグラフニューラルネットワーク(GNN)に基づく新たな攻撃を提案する。 PGDアタック,MI-FGSM,Carini,Wagnerアタックなど,最先端の敵攻撃に勝っていることを示す。 我々は、敵攻撃のより実証的な比較を可能にするために特別に設計された、新しい挑戦的なデータセットを提供する。
  論文  参考訳（メタデータ） (2021-05-30T22:46:41Z)
• Local Critic Training for Model-Parallel Learning of Deep Neural Networks [94.69202357137452]
  そこで我々は,局所的批判訓練と呼ばれる新しいモデル並列学習手法を提案する。 提案手法は,畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)の両方において,階層群の更新プロセスの分離に成功したことを示す。 また,提案手法によりトレーニングされたネットワークを構造最適化に利用できることを示す。
  論文  参考訳（メタデータ） (2021-02-03T09:30:45Z)
• Sparsity in Deep Learning: Pruning and growth for efficient inference and training in neural networks [78.47459801017959]
  Sparsityは、モバイル機器に適合する通常のネットワークのメモリフットプリントを減らすことができる。 ニューラルネットワークの要素を除去および追加するためのアプローチ、モデルの疎性を達成するための異なるトレーニング戦略、実際に疎性を利用するメカニズムについて説明する。
  論文  参考訳（メタデータ） (2021-01-31T22:48:50Z)
• Information Obfuscation of Graph Neural Networks [96.8421624921384]
  本稿では,グラフ構造化データを用いた学習において,情報難読化による機密属性保護の問題について検討する。 本稿では,全変動量とワッサーシュタイン距離を交互に学習することで,事前決定された機密属性を局所的にフィルタリングするフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-28T17:55:04Z)

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。