Fugu-MT 論文翻訳(概要): Causal Social Explanations for Stochastic Sequential Multi-Agent Decision-Making

論文の概要: Causal Social Explanations for Stochastic Sequential Multi-Agent Decision-Making

arxiv url: http://arxiv.org/abs/2302.10809v1
Date: Tue, 21 Feb 2023 16:34:07 GMT
ステータス: 処理完了
システム内更新日: 2023-02-22 14:27:38.539148
Title: Causal Social Explanations for Stochastic Sequential Multi-Agent Decision-Making
Title（参考訳）: 確率列型マルチエージェント意思決定のための因果社会説明法
Authors: Balint Gyevnar, Cheng Wang, Christopher G. Lucas, Shay B. Cohen, Stefano V. Albrecht
Abstract要約: 逐次マルチエージェント環境におけるエージェント決定の因果的説明を生成するための新しい枠組みを提案する。説明は、自然言語による会話を通じて、幅広いユーザクエリに答える。
参考スコア（独自算出の注目度）: 33.04094429097059
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a novel framework to generate causal explanations for the decisions of agents in stochastic sequential multi-agent environments. Explanations are given via natural language conversations answering a wide range of user queries and requiring associative, interventionist, or counterfactual causal reasoning. Instead of assuming any specific causal graph, our method relies on a generative model of interactions to simulate counterfactual worlds which are used to identify the salient causes behind decisions. We implement our method for motion planning for autonomous driving and test it in simulated scenarios with coupled interactions. Our method correctly identifies and ranks the relevant causes and delivers concise explanations to the users' queries.
Abstract（参考訳）: 本稿では,確率的連続マルチエージェント環境におけるエージェント決定のための因果説明を生成する新しいフレームワークを提案する。説明は、幅広いユーザークエリに答える自然言語会話を通じて行われ、連想的、介入的、または反事実的因果推論を必要とする。特定の因果グラフを仮定する代わりに、本手法は、意思決定の背後にある健全な原因を特定するために使用される反ファクトの世界をシミュレートする相互作用の生成モデルに依存する。自律走行のための動作計画手法を実装し,協調インタラクションを伴うシミュレーションシナリオでテストする。提案手法は,関連する原因を正しく識別し分類し,ユーザのクエリに簡潔な説明を提供する。

関連論文リスト

Linguistic Fuzzy Information Evolution with Random Leader Election Mechanism for Decision-Making Systems [58.67035332062508]
言語ファジィ情報進化はエージェント間の情報交換を理解する上で重要である。エージェントの重みの違いは、古典的なDeGrootモデルにおいて異なる収束結果をもたらす可能性がある。本稿では,言語ファジィ情報力学の新しい3つのモデルを提案する。
論文参考訳（メタデータ） (2024-10-19T18:15:24Z)
Agent-as-a-Judge: Evaluate Agents with Agents [61.33974108405561]
本稿ではエージェント・アズ・ア・ジャッジ(Agent-as-a-Judge)フレームワークを紹介し,エージェント・システムを用いてエージェント・システムの評価を行う。これはLLM-as-a-Judgeフレームワークの有機的拡張であり、タスク解決プロセス全体の中間フィードバックを可能にするエージェント的特徴を取り入れている。 55のリアルな自動化AI開発タスクのベンチマークであるDevAIを紹介します。
論文参考訳（メタデータ） (2024-10-14T17:57:02Z)
On the Resilience of Multi-Agent Systems with Malicious Agents [58.79302663733702]
本稿では,悪意のあるエージェント下でのマルチエージェントシステムのレジリエンスについて検討する。我々は、任意のエージェントを悪意のあるエージェントに変換する2つの方法、AutoTransformとAutoInjectを考案した。各エージェントが他のエージェントの出力に挑戦するためのメカニズムを導入するか、あるいはメッセージのレビューと修正を行う追加のエージェントを導入することで、システムのレジリエンスを高めることができることを示す。
論文参考訳（メタデータ） (2024-08-02T03:25:20Z)
BET: Explaining Deep Reinforcement Learning through The Error-Prone Decisions [7.139669387895207]
エージェントの振る舞いをよりよく説明するために,バックボーン抽出木(Backbone Extract Tree, BET)と呼ばれる新しい自己解釈構造を提案する。高いレベルでは、BETはエージェントが一貫して一様決定を行う状態はエラーの妥当性を低下させるという仮説を立てている。説明忠実度の観点から,既存の自己解釈モデルよりもBETの方が優れていることを示す。
論文参考訳（メタデータ） (2024-01-14T11:45:05Z)
On Imperfect Recall in Multi-Agent Influence Diagrams [57.21088266396761]
マルチエージェント・インフルエンス・ダイアグラム(MAID)はベイズネットワークに基づくゲーム理論モデルとして人気がある。混合ポリシと2種類の相関平衡を用いて, 忘れ易いエージェントと不注意なエージェントでMAIDを解く方法を示す。また,不完全なリコールがしばしば避けられないマルコフゲームやチーム状況へのMAIDの適用についても述べる。
論文参考訳（メタデータ） (2023-07-11T07:08:34Z)
Discovering Agents [10.751378433775606]
エージェントの因果モデルは、機械学習システムの安全性の側面を分析するために使われてきた。本稿では, エージェントの因果的定義を初めて提唱する。エージェントは, アクションが世界に影響を与える場合, エージェントが政策に適応するシステムであることを概ね示唆する。
論文参考訳（メタデータ） (2022-08-17T15:13:25Z)
Differential Assessment of Black-Box AI Agents [29.98710357871698]
従来知られていたモデルから逸脱したブラックボックスAIエージェントを差分評価する手法を提案する。我々は,漂流エージェントの現在の挙動と初期モデルの知識の疎度な観察を利用して,アクティブなクエリポリシーを生成する。経験的評価は、エージェントモデルをスクラッチから再学習するよりも、我々のアプローチの方がはるかに効率的であることを示している。
論文参考訳（メタデータ） (2022-03-24T17:48:58Z)
Learning Causal Models of Autonomous Agents using Interventions [11.351235628684252]
我々は、AIシステムがシミュレータで高レベルの命令シーケンスを実行することができるエージェントアセスメントモジュールの分析を拡張した。このような原始的なクエリ応答能力は、システムのユーザ解釈可能な因果関係モデルを効率的に導出するのに十分であることを示す。
論文参考訳（メタデータ） (2021-08-21T21:33:26Z)
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)
CausalCity: Complex Simulations with Agency for Causal Discovery and Reasoning [68.74447489372037]
本稿では,因果探索と反事実推論のためのアルゴリズムの開発を目的とした,高忠実度シミュレーション環境を提案する。私たちの作業の中核となるコンポーネントは、複雑なシナリオを定義して作成することが簡単になるような、テキストの緊急性を導入することです。我々は3つの最先端の手法による実験を行い、ベースラインを作成し、この環境の可利用性を強調する。
論文参考訳（メタデータ） (2021-06-25T00:21:41Z)
A Formal Framework for Reasoning about Agents' Independence in Self-organizing Multi-agent Systems [0.7734726150561086]
本稿では,自己組織型マルチエージェントシステムの論理ベースフレームワークを提案する。このようなシステムを検証する計算の複雑さは、標準atlの領域に近いままであることを示す。また、制約満足問題をモデル化するためにフレームワークを使用する方法も示します。
論文参考訳（メタデータ） (2021-05-17T07:32:43Z)

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。