論文の概要: Graph Neural Networks for Decentralized Multi-Agent Perimeter Defense

• arxiv url: http://arxiv.org/abs/2301.09689v1
• Date: Mon, 23 Jan 2023 19:35:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-01-25 14:57:07.912009
• Title: Graph Neural Networks for Decentralized Multi-Agent Perimeter Defense
• Title（参考訳）: 分散マルチエージェント周辺防御のためのグラフニューラルネットワーク
• Authors: Elijah S. Lee, Lifeng Zhou, Alejandro Ribeiro, Vijay Kumar
• Abstract要約: 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。
• 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: In this work, we study the problem of decentralized multi-agent perimeter defense that asks for computing actions for defenders with local perceptions and communications to maximize the capture of intruders. One major challenge for practical implementations is to make perimeter defense strategies scalable for large-scale problem instances. To this end, we leverage graph neural networks (GNNs) to develop an imitation learning framework that learns a mapping from defenders' local perceptions and their communication graph to their actions. The proposed GNN-based learning network is trained by imitating a centralized expert algorithm such that the learned actions are close to that generated by the expert algorithm. We demonstrate that our proposed network performs closer to the expert algorithm and is superior to other baseline algorithms by capturing more intruders. Our GNN-based network is trained at a small scale and can be generalized to large-scale cases. We run perimeter defense games in scenarios with different team sizes and configurations to demonstrate the performance of the learned network.
• Abstract（参考訳）: 本研究では,攻撃者の捕獲を最大化するために,局所的な認識と通信を行うディフェンダーに対する計算行動を求める分散マルチエージェント周辺防御の問題について検討する。 実用的な実装のための大きな課題のひとつは、大規模な問題に対して、周囲防御戦略をスケーラブルにすることだ。 この目的のために,我々はグラフニューラルネットワーク(gnns)を利用して,ディフェンダーの局所的知覚とその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ぶ模倣学習フレームワークを開発した。 提案したGNNベースの学習ネットワークは、学習行動がエキスパートアルゴリズムによって生成されるものに近いように、一元化した専門家アルゴリズムを模倣して訓練される。 提案するネットワークはエキスパートアルゴリズムに近い性能を示し,侵入者数を増やすことにより,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、大規模ケースに一般化することができる。 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。

関連論文リスト

• Peer-to-Peer Learning Dynamics of Wide Neural Networks [10.179711440042123]
  我々は,一般的なDGDアルゴリズムを用いて学習した広範ニューラルネットワークの学習力学を,明示的で非漸近的に特徴づける。 我々は,誤りや誤りを正確に予測し,分析結果を検証した。
  論文  参考訳（メタデータ） (2024-09-23T17:57:58Z)
• A Comprehensive Survey on Distributed Training of Graph Neural Networks [59.785830738482474]
  グラフニューラルネットワーク(GNN)は、幅広いアプリケーション分野において強力なアルゴリズムモデルであることが示されている。 GNNトレーニングを大規模かつ継続的なグラフにスケールアップするために、最も有望なソリューションは分散トレーニングである。 分散GNNトレーニングに関する研究の規模は、非常に広範であり、出版のペースは極めて速い。
  論文  参考訳（メタデータ） (2022-11-10T06:22:12Z)
• Learning Decentralized Strategies for a Perimeter Defense Game with Graph Neural Networks [111.9039128130633]
  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。
  論文  参考訳（メタデータ） (2022-09-24T22:48:51Z)
• Dynamic Network Reconfiguration for Entropy Maximization using Deep Reinforcement Learning [3.012947865628207]
  ネットワーク理論の鍵となる問題は、定量化対象を最適化するためにグラフを再構成する方法である。 本稿では、マルコフ決定過程(MDP)として、指定された構造特性を最適化するネットワークリウィリングの問題を提起する。 次に,Deep Q-Network(DQN)アルゴリズムとグラフニューラルネットワーク(GNN)に基づく一般的な手法を提案する。
  論文  参考訳（メタデータ） (2022-05-26T18:44:22Z)
• 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)
• Graph Neural Networks for Decentralized Multi-Robot Submodular Action Selection [101.38634057635373]
  ロボットがチームサブモジュールの目的を最大化するために共同で行動を選択する必要があるアプリケーションに焦点を当てる。 分散通信によるサブモジュール化に向けた汎用学習アーキテクチャを提案する。 大規模ロボットネットワークによるアクティブターゲットカバレッジのシナリオにおいて、GNNベースの学習アプローチのパフォーマンスを実証します。
  論文  参考訳（メタデータ） (2021-05-18T15:32:07Z)
• 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)
• Hardware Accelerator for Adversarial Attacks on Deep Learning Neural Networks [7.20382137043754]
  強靭な物理的摂動を生成するために, 対向攻撃ネットワークアルゴリズムのクラスが提案されている。 本稿では,メムリスタクロスバーアレーをベースとした敵攻撃用ハードウェアアクセラレータを提案する。
  論文  参考訳（メタデータ） (2020-08-03T21:55:41Z)

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。