論文の概要: Fairness in Multi-Agent Planning

• arxiv url: http://arxiv.org/abs/2212.00506v1
• Date: Thu, 1 Dec 2022 13:58:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-02 16:05:01.729613
• Title: Fairness in Multi-Agent Planning
• Title（参考訳）: マルチエージェント計画における公平性
• Authors: Alberto Pozanco, Daniel Borrajo
• Abstract要約: 本稿では,多エージェント計画(MAP)によく知られた公平性スキームを適用する。 コストを意識したフェアプランを生成するための2つの新しいアプローチを導入している。 いくつかの標準MAPベンチマークの実証結果は、これらのアプローチが異なるベースラインよりも優れていることを示している。
• 参考スコア（独自算出の注目度）: 2.7184224088243356
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In cooperative Multi-Agent Planning (MAP), a set of goals has to be achieved by a set of agents. Independently of whether they perform a pre-assignment of goals to agents or they directly search for a solution without any goal assignment, most previous works did not focus on a fair distribution/achievement of goals by agents. This paper adapts well-known fairness schemes to MAP, and introduces two novel approaches to generate cost-aware fair plans. The first one solves an optimization problem to pre-assign goals to agents, and then solves a centralized MAP task using that assignment. The second one consists of a planning-based compilation that allows solving the joint problem of goal assignment and planning while taking into account the given fairness scheme. Empirical results in several standard MAP benchmarks show that these approaches outperform different baselines. They also show that there is no need to sacrifice much plan cost to generate fair plans.
• Abstract（参考訳）: 協調的多エージェント計画(MAP)において、目標のセットはエージェントのセットによって達成されなければならない。 エージェントに事前割り当てを行うか、あるいは目標割り当てなしで直接ソリューションを探索するかとは独立して、ほとんどの以前の作業はエージェントによる目標の公平な分配/達成に重点を置いていなかった。 本稿では、MAPによく知られたフェアネススキームを適用し、コストを考慮したフェアネスプランを作成するための2つの新しいアプローチを提案する。 1つ目はエージェントに目標を割り当てる最適化問題の解法であり、次にその代入を使って集中的なMAPタスクを解く。 もうひとつは,与えられた公平性を考慮しながら,目標割り当てと計画の共通問題を解決するための,計画ベースのコンパイルである。 いくつかの標準MAPベンチマークの実証結果は、これらのアプローチが異なるベースラインよりも優れていることを示している。 彼らはまた、公正な計画を作成するのに多くの計画コストを犠牲にする必要はないことを示した。

関連論文リスト

• Propose, Assess, Search: Harnessing LLMs for Goal-Oriented Planning in Instructional Videos [48.15438373870542]
  VidAssistは、インストラクショナルビデオにおけるゼロ/フェーショット目標指向の計画のために設計された統合フレームワークである。 最適な計画生成のための幅優先探索アルゴリズムを採用している。 実験によると、VidAssistは異なる目標指向の計画設定のための統一されたフレームワークを提供する。
  論文  参考訳（メタデータ） (2024-09-30T17:57:28Z)
• Meta-Task Planning for Language Agents [13.550774629515843]
  大規模言語モデルベースエージェント(LLMエージェント)は、人工知能(AGI)を実現するための有望なパラダイムとして登場した。 本稿では,メタタスク計画(Meta-Task Planning, MTP)を紹介する。 MTPはTravelPlannerで平均$sim40%$成功率を達成した。
  論文  参考訳（メタデータ） (2024-05-26T10:33:17Z)
• TwoStep: Multi-agent Task Planning using Classical Planners and Large Language Models [7.653791106386385]
  2エージェント計画目標分解は、マルチエージェントPDDL問題を直接解決するよりも、計画時間の短縮につながる。 LLMに基づくサブゴールの近似は、人間の専門家が指定したものと同じようなマルチエージェント実行ステップを達成できることが判明した。
  論文  参考訳（メタデータ） (2024-03-25T22:47:13Z)
• On Computing Plans with Uniform Action Costs [10.621487250485897]
  本稿では,3つの一様性指標を自動計画に適応させ,行動コストと行動コストの総和を語彙的に最適化する計画ベースコンパイルを提案する。 良く知られた計画ベンチマークと新しい計画ベンチマークの両方の実験結果は、修正されたタスクを効果的に解決し、一様計画を生成することができることを示している。
  論文  参考訳（メタデータ） (2024-02-15T11:00:28Z)
• Optimal Task Assignment and Path Planning using Conflict-Based Search with Precedence and Temporal Constraints [5.265273282482319]
  本稿では,TAPF-PTC問題におけるタスク割り当てと経路探索について検討する。 我々は、競合ベースの検索(CBS)を拡張して、優先度と時間的制約に従うタスク割り当てと衝突のない経路を同時に生成する。 実験により,我々のアルゴリズムであるCBS-TA-PTCは,優先度と時間的制約を効果的に解決できることを示した。
  論文  参考訳（メタデータ） (2024-02-13T20:07:58Z)
• Planning as In-Painting: A Diffusion-Based Embodied Task Planning Framework for Environments under Uncertainty [56.30846158280031]
  具体的AIのためのタスクプランニングは、最も難しい問題の1つだ。 In-paintingとしての計画」というタスク非依存の手法を提案する。 提案するフレームワークは,様々な具体的AIタスクにおいて,有望なパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-12-02T10:07:17Z)
• Imitating Graph-Based Planning with Goal-Conditioned Policies [72.61631088613048]
  本稿では,目標目標条件ポリシにサブゴール条件ポリシを蒸留する自己シミュレーション方式を提案する。 提案手法は,既存の目標条件付きRL手法のサンプル効率を大幅に向上させることができることを実証的に示す。
  論文  参考訳（メタデータ） (2023-03-20T14:51:10Z)
• Planning to Practice: Efficient Online Fine-Tuning by Composing Goals in Latent Space [76.46113138484947]
  汎用ロボットは、現実世界の非構造環境において困難なタスクを完了するために、多様な行動レパートリーを必要とする。 この問題に対処するため、目標条件強化学習は、コマンド上の幅広いタスクの目標に到達可能なポリシーを取得することを目的としている。 本研究では,長期的課題に対する目標条件付き政策を実践的に訓練する手法であるPlanning to Practiceを提案する。
  論文  参考訳（メタデータ） (2022-05-17T06:58:17Z)
• Automatic Curriculum Learning through Value Disagreement [95.19299356298876]
  新しい未解決タスクを継続的に解決することが、多様な行動を学ぶための鍵です。 エージェントが複数の目標を達成する必要があるマルチタスク領域では、トレーニング目標の選択はサンプル効率に大きな影響を与える可能性がある。 そこで我々は,エージェントが解決すべき目標のための自動カリキュラムを作成することを提案する。 提案手法は,13のマルチゴールロボットタスクと5つのナビゲーションタスクにまたがって評価し,現在の最先端手法よりも高い性能を示す。
  論文  参考訳（メタデータ） (2020-06-17T03:58:25Z)
• Divide-and-Conquer Monte Carlo Tree Search For Goal-Directed Planning [78.65083326918351]
  暗黙的な逐次計画の仮定に代わるものを検討する。 本稿では,最適計画の近似を行うため,Divide-and-Conquer Monte Carlo Tree Search (DC-MCTS)を提案する。 計画順序に対するこのアルゴリズム的柔軟性は,グリッドワールドにおけるナビゲーションタスクの改善に繋がることを示す。
  論文  参考訳（メタデータ） (2020-04-23T18:08:58Z)

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。