論文の概要: Multi-Agent Reinforcement Learning: Methods, Applications, Visionary Prospects, and Challenges

• arxiv url: http://arxiv.org/abs/2305.10091v1
• Date: Wed, 17 May 2023 09:53:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-18 16:37:24.995079
• Title: Multi-Agent Reinforcement Learning: Methods, Applications, Visionary Prospects, and Challenges
• Title（参考訳）: マルチエージェント強化学習:手法,応用,展望,課題
• Authors: Ziyuan Zhou, Guanjun Liu, Ying Tang
• Abstract要約: マルチエージェント強化学習(MARL)は、広く使われている人工知能(AI)技術である。 本研究の目的は,今後10年間の研究動向と展望を概説することである。
• 参考スコア（独自算出の注目度）: 4.496883842534544
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-agent reinforcement learning (MARL) is a widely used Artificial Intelligence (AI) technique. However, current studies and applications need to address its scalability, non-stationarity, and trustworthiness. This paper aims to review methods and applications and point out research trends and visionary prospects for the next decade. First, this paper summarizes the basic methods and application scenarios of MARL. Second, this paper outlines the corresponding research methods and their limitations on safety, robustness, generalization, and ethical constraints that need to be addressed in the practical applications of MARL. In particular, we believe that trustworthy MARL will become a hot research topic in the next decade. In addition, we suggest that considering human interaction is essential for the practical application of MARL in various societies. Therefore, this paper also analyzes the challenges while MARL is applied to human-machine interaction.
• Abstract（参考訳）: マルチエージェント強化学習(MARL)は、広く使われている人工知能(AI)技術である。 しかし、現在の研究とアプリケーションはスケーラビリティ、非定常性、信頼性に対処する必要がある。 本研究の目的は,今後10年間の研究動向と展望を概説することである。 本稿ではまず,MARLの基本手法と応用シナリオについて概説する。 第二に,marlの実用的応用において対処すべき安全性,堅牢性,一般化,倫理的制約について,対応する研究方法と限界について概説する。 特に、今後10年で信頼性の高いmarlがホットな研究テーマになると信じています。 また,様々な社会におけるMARLの実用化には,人間との相互作用を考えることが不可欠であることが示唆された。 そこで本研究では,MARLが人間と機械の相互作用に適用されている際の課題についても分析する。

関連論文リスト

• From Linguistic Giants to Sensory Maestros: A Survey on Cross-Modal Reasoning with Large Language Models [56.9134620424985]
  クロスモーダル推論(CMR)は、より高度な人工知能システムへの進化における重要な能力として、ますます認識されている。 CMRタスクに取り組むためにLLM(Large Language Models)をデプロイする最近のトレンドは、その有効性を高めるためのアプローチの新たな主流となっている。 本調査では,LLMを用いてCMRで適用された現在の方法論を,詳細な3階層分類に分類する。
  論文  参考訳（メタデータ） (2024-09-19T02:51:54Z)
• A Survey on Large Language Models for Critical Societal Domains: Finance, Healthcare, and Law [65.87885628115946]
  大規模言語モデル(LLM)は、金融、医療、法律の展望に革命をもたらしている。 我々は、医療における診断・治療方法論の強化、財務分析の革新、法的解釈・コンプライアンス戦略の精査におけるLCMの役割を強調した。 これらの分野におけるLLMアプリケーションの倫理を批判的に検討し、既存の倫理的懸念と透明で公平で堅牢なAIシステムの必要性を指摘した。
  論文  参考訳（メタデータ） (2024-05-02T22:43:02Z)
• Multi-agent Reinforcement Learning: A Comprehensive Survey [10.186029242664931]
  マルチエージェントシステム(MAS)は、多くの現実世界のアプリケーションにおいて広く普及し、重要な存在である。 汎用性にもかかわらず、MASにおける知的意思決定エージェントの開発は、その効果的な実装にいくつかのオープンな課題を提起している。 本調査は,ゲーム理論(GT)と機械学習(ML)による基礎概念の研究に重点を置いて,これらの課題を考察する。
  論文  参考訳（メタデータ） (2023-12-15T23:16:54Z)
• The Efficiency Spectrum of Large Language Models: An Algorithmic Survey [54.19942426544731]
  LLM(Large Language Models)の急速な成長は、様々なドメインを変換する原動力となっている。 本稿では,LLMのエンドツーエンドのアルゴリズム開発に不可欠な多面的効率性について検討する。
  論文  参考訳（メタデータ） (2023-12-01T16:00:25Z)
• Combatting Human Trafficking in the Cyberspace: A Natural Language Processing-Based Methodology to Analyze the Language in Online Advertisements [55.2480439325792]
  このプロジェクトは、高度自然言語処理(NLP)技術により、オンラインC2Cマーケットプレースにおける人身売買の急激な問題に取り組む。 我々は、最小限の監督で擬似ラベル付きデータセットを生成する新しい手法を導入し、最先端のNLPモデルをトレーニングするための豊富なリソースとして機能する。 重要な貢献は、Integrated Gradientsを使った解釈可能性フレームワークの実装であり、法執行にとって重要な説明可能な洞察を提供する。
  論文  参考訳（メタデータ） (2023-11-22T02:45:01Z)
• The Technological Emergence of AutoML: A Survey of Performant Software and Applications in the Context of Industry [72.10607978091492]
  Automated/Autonomous Machine Learning (AutoML/AutonoML)は比較的若い分野である。 このレビューは、このトピックに関する知識に2つの主要な貢献をしている。 オープンソースと商用両方の既存のAutoMLツールについて、最新かつ包括的な調査を提供する。
  論文  参考訳（メタデータ） (2022-11-08T10:42:08Z)
• Towards a Standardised Performance Evaluation Protocol for Cooperative MARL [2.2977300225306583]
  マルチエージェント強化学習(MARL)は,分散型意思決定問題を大規模に解く上で有用な手法である。 本研究は,MARLにおける大規模研究機関にまたがる評価手法に焦点をあてて,この迅速な開発についてより詳しく考察する。 協調型MARLのための標準化された性能評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2022-09-21T16:40:03Z)
• Model-based Multi-agent Reinforcement Learning: Recent Progress and Prospects [23.347535672670688]
  マルチエージェント強化学習(MARL)は、複数の参加者が関与するシーケンシャルな意思決定問題に取り組む。 MARLは効果的なトレーニングのために膨大な数のサンプルを必要とする。 モデルに基づく手法は、サンプル効率の証明可能な利点を実現することが示されている。
  論文  参考訳（メタデータ） (2022-03-20T17:24:47Z)
• Causal Multi-Agent Reinforcement Learning: Review and Open Problems [5.0519220616720295]
  本稿では,マルチエージェント強化学習(MARL)の分野に読者を紹介する。 我々は、MARLにおける重要な課題を強調し、これらを因果的手法がそれらに取り組む上でどのように役立つかという文脈で論じる。
  論文  参考訳（メタデータ） (2021-11-12T13:44:31Z)
• An Overview of Multi-Agent Reinforcement Learning from Game Theoretical Perspective [12.185870309965011]
  この研究は、ゲーム理論の観点から、現在の最先端のMARL技術について自己完結した評価を提供する。 MARLは複数のエージェントが同時に学習するマルチエージェントシステムにおける学習問題に対応する。
  論文  参考訳（メタデータ） (2020-11-01T18:24:40Z)
• On the Morality of Artificial Intelligence [154.69452301122175]
  本稿では,機械学習の研究・展開に関する概念的かつ実践的な原則とガイドラインを提案する。 我々は,より倫理的で道徳的なMLの実践を追求するために,実践者が採る具体的な行動を主張している。
  論文  参考訳（メタデータ） (2019-12-26T23:06:54Z)

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。