Fugu-MT 論文翻訳(概要): Multi-Agent Adversarial Training Using Diffusion Learning

論文の概要: Multi-Agent Adversarial Training Using Diffusion Learning

arxiv url: http://arxiv.org/abs/2303.01936v1
Date: Fri, 3 Mar 2023 14:05:59 GMT
ステータス: 処理完了
システム内更新日: 2023-03-06 14:57:25.316477
Title: Multi-Agent Adversarial Training Using Diffusion Learning
Title（参考訳）: 拡散学習を用いたマルチエージェント学習
Authors: Ying Cao, Elsa Rizk, Stefan Vlaski, Ali H. Sayed
Abstract要約: 拡散学習を用いたマルチエージェントシステムのための汎用的な逆学習フレームワークを提案する。凸最適化問題に対する提案手法の収束特性を解析し、敵攻撃に対する強靭性を示す。
参考スコア（独自算出の注目度）: 55.28669771020857
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This work focuses on adversarial learning over graphs. We propose a general adversarial training framework for multi-agent systems using diffusion learning. We analyze the convergence properties of the proposed scheme for convex optimization problems, and illustrate its enhanced robustness to adversarial attacks.
Abstract（参考訳）: この研究はグラフ上の敵対的学習に焦点を当てている。拡散学習を用いたマルチエージェントシステムのための汎用的な逆学習フレームワークを提案する。本研究では,凸最適化問題に対する提案手法の収束特性を解析し,逆攻撃に対する頑健性を示す。

関連論文リスト

AI Safety in Practice: Enhancing Adversarial Robustness in Multimodal Image Captioning [0.0]
視覚データとテキストデータを組み合わせたマルチモーダル機械学習モデルは、ますます重要なアプリケーションにデプロイされている。本稿では,マルチモーダル画像キャプションモデルの敵攻撃に対する堅牢性を高めるための効果的な戦略を提案する。
論文参考訳（メタデータ） (2024-07-30T20:28:31Z)
A Model-Based Approach for Improving Reinforcement Learning Efficiency Leveraging Expert Observations [9.240917262195046]
本稿では,拡張損失関数における各成分の重みを自動的に調整するアルゴリズムを提案する。様々な連続制御タスクの実験は、提案アルゴリズムが様々なベンチマークより優れていることを示した。
論文参考訳（メタデータ） (2024-02-29T03:53:02Z)
Exact Subspace Diffusion for Decentralized Multitask Learning [17.592204922442832]
マルチタスク学習のための分散戦略は、よりニュアンスな方法でエージェント間の関係を誘導し、コンセンサスを強制せずにコラボレーションを促進する。本研究では,ネットワーク上の部分空間制約付きマルチタスク学習のための正確な拡散アルゴリズムの一般化を開発し,その平均二乗偏差の正確な式を導出する。予測された性能表現の精度を数値的に検証するとともに,近似予測に基づく代替案に対する提案手法の性能向上を検証した。
論文参考訳（メタデータ） (2023-04-14T19:42:19Z)
Decentralized Adversarial Training over Graphs [55.28669771020857]
機械学習モデルの敵攻撃に対する脆弱性は、近年、かなりの注目を集めている。この研究は、個々のエージェントが様々な強度摂動空間に従属するグラフ上の敵の訓練を研究する。
論文参考訳（メタデータ） (2023-03-23T15:05:16Z)
Enhancing Adversarial Training with Feature Separability [52.39305978984573]
本稿では,特徴分離性を備えた対人訓練(ATFS)により,クラス内特徴の類似性を向上し,クラス間特徴分散を増大させることができる,新たな対人訓練グラフ(ATG)を提案する。包括的な実験を通じて、提案したATFSフレームワークがクリーンかつロバストなパフォーマンスを著しく改善することを示した。
論文参考訳（メタデータ） (2022-05-02T04:04:23Z)
Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。コア最適化問題の実用的なパラメトリゼーションを提供する。
論文参考訳（メタデータ） (2021-07-08T18:01:02Z)
Stylized Adversarial Defense [105.88250594033053]
逆行訓練は摂動パターンを生成し、モデルを堅牢化するためのトレーニングセットにそれらを含む。我々は、より強力な敵を作るために、機能空間から追加情報を活用することを提案する。我々の対人訓練アプローチは、最先端の防御と比べて強い堅牢性を示している。
論文参考訳（メタデータ） (2020-07-29T08:38:10Z)
Learning Multiplicative Interactions with Bayesian Neural Networks for Visual-Inertial Odometry [44.209301916028124]
本稿では,視覚慣性オドメトリー(VIO)のためのエンドツーエンドマルチモーダル学習手法を提案する。センサ劣化シナリオに照らして、センサの相補性を利用するように設計されている。
論文参考訳（メタデータ） (2020-07-15T11:39:29Z)
Learning Diverse Representations for Fast Adaptation to Distribution Shift [78.83747601814669]
本稿では,複数のモデルを学習する手法を提案する。分散シフトへの迅速な適応を促進するフレームワークの能力を実証する。
論文参考訳（メタデータ） (2020-06-12T12:23:50Z)

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。