論文の概要: Knowledge-based Reasoning and Learning under Partial Observability in Ad Hoc Teamwork

• arxiv url: http://arxiv.org/abs/2306.00790v1
• Date: Thu, 1 Jun 2023 15:21:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-02 15:17:31.239300
• Title: Knowledge-based Reasoning and Learning under Partial Observability in Ad Hoc Teamwork
• Title（参考訳）: アドホックチームワークにおける部分観測可能性を考慮した知識に基づく推論と学習
• Authors: Hasra Dodampegama, Mohan Sridharan
• Abstract要約: 本稿では,非単調な論理的推論に基づいてアドホックエージェントの動作を決定するアーキテクチャを提案する。 これは、他のエージェントの行動を予測するモデルのオンライン選択、適応、学習をサポートする。 単純なシナリオと複雑なシナリオの両方において、アーキテクチャのパフォーマンスが、最先端のデータ駆動ベースラインと同等か、あるいは同等であることを示す。
• 参考スコア（独自算出の注目度）: 4.454557728745761
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ad hoc teamwork refers to the problem of enabling an agent to collaborate with teammates without prior coordination. Data-driven methods represent the state of the art in ad hoc teamwork. They use a large labeled dataset of prior observations to model the behavior of other agent types and to determine the ad hoc agent's behavior. These methods are computationally expensive, lack transparency, and make it difficult to adapt to previously unseen changes, e.g., in team composition. Our recent work introduced an architecture that determined an ad hoc agent's behavior based on non-monotonic logical reasoning with prior commonsense domain knowledge and predictive models of other agents' behavior that were learned from limited examples. In this paper, we substantially expand the architecture's capabilities to support: (a) online selection, adaptation, and learning of the models that predict the other agents' behavior; and (b) collaboration with teammates in the presence of partial observability and limited communication. We illustrate and experimentally evaluate the capabilities of our architecture in two simulated multiagent benchmark domains for ad hoc teamwork: Fort Attack and Half Field Offense. We show that the performance of our architecture is comparable or better than state of the art data-driven baselines in both simple and complex scenarios, particularly in the presence of limited training data, partial observability, and changes in team composition.
• Abstract（参考訳）: アドホックチームワーク(Ad hoc teamwork)とは、エージェントが事前調整なしにチームメイトとコラボレーションできるようにする問題である。 データ駆動の手法は、アドホックなチームワークにおける芸術の状態を表現します。 彼らは、先行観察の大きなラベル付きデータセットを使用して、他のエージェントタイプの振る舞いをモデル化し、アドホックエージェントの振る舞いを決定する。 これらの手法は計算コストが高く、透明性が欠如しており、例えばチーム構成など、これまで見られなかった変更への適応が困難になる。 最近の研究では、非単調な論理推論に基づくアドホックエージェントの振る舞いを決定するアーキテクチャを導入し、事前のコモンセンスドメイン知識と、限られた例から学んだ他のエージェントの振る舞いの予測モデルを導入した。 本稿では、アーキテクチャの能力を大きく拡張してサポートします。 (a)他のエージェントの行動を予測するモデルのオンライン選択、適応、学習 (b)部分的可観測性と限定的なコミュニケーションの存在下でのチームメイトとのコラボレーション。 アドホックチームワークのための2つのシミュレーションされたマルチエージェントベンチマークドメインであるFort AttackとHalf Field Offenseで、アーキテクチャの能力を実証し、実験的に評価する。 私たちのアーキテクチャのパフォーマンスは、単純なシナリオと複雑なシナリオ、特に限られたトレーニングデータ、部分的な可観測性、チーム構成の変更の両方において、最先端のデータ駆動ベースラインと同等か、あるいは同等であることを示す。

関連論文リスト

• Communication Learning in Multi-Agent Systems from Graph Modeling Perspective [62.13508281188895]
  本稿では,エージェント間の通信アーキテクチャを学習可能なグラフとして概念化する手法を提案する。 本稿では,各エージェントに対して時間的ゲーティング機構を導入し,ある時間に共有情報を受信するかどうかの動的決定を可能にする。
  論文  参考訳（メタデータ） (2024-11-01T05:56:51Z)
• Learning Multi-Agent Communication from Graph Modeling Perspective [62.13508281188895]
  本稿では,エージェント間の通信アーキテクチャを学習可能なグラフとして概念化する手法を提案する。 提案手法であるCommFormerは,通信グラフを効率よく最適化し,勾配降下によるアーキテクチャパラメータをエンドツーエンドで並列に洗練する。
  論文  参考訳（メタデータ） (2024-05-14T12:40:25Z)
• ProAgent: Building Proactive Cooperative Agents with Large Language Models [89.53040828210945]
  ProAgentは、大規模な言語モデルを利用してプロアクティブエージェントを生成する新しいフレームワークである。 ProAgentは現状を分析し、チームメイトの意図を観察から推測することができる。 ProAgentは高度なモジュール化と解釈可能性を示し、様々な調整シナリオに容易に統合できる。
  論文  参考訳（メタデータ） (2023-08-22T10:36:56Z)
• Detecting and Optimising Team Interactions in Software Development [58.720142291102135]
  本稿では,ソフトウェア開発チームの機能的相互作用構造を検出するためのデータ駆動型手法を提案する。 このアプローチでは、チームメンバのアクティビティレベルの違いを考慮し、ブロック制約設定モデルを使用します。 我々のアプローチは、チームが合成されたベンチマークシナリオと機能的な相互作用構造を比較するのにどのように役立つかを示します。
  論文  参考訳（メタデータ） (2023-02-28T14:53:29Z)
• Toward a Reasoning and Learning Architecture for Ad Hoc Teamwork [4.454557728745761]
  先行調整のないエージェントチームにおけるコラボレーションを指すアドホックなチームワークのためのアーキテクチャを提案する。 私たちのアーキテクチャは、知識ベースとデータ駆動推論と学習の原則を組み合わせています。 シミュレーションされたマルチエージェントのコラボレーションドメインであるFort Attackを使って、アーキテクチャが予期せぬ変更への適応をサポートすることを実証しています。
  論文  参考訳（メタデータ） (2022-08-24T13:57:33Z)
• Beyond Rewards: a Hierarchical Perspective on Offline Multiagent Behavioral Analysis [14.656957226255628]
  本稿では,マルチエージェント領域における行動クラスタの発見のためのモデルに依存しない手法を提案する。 我々のフレームワークはエージェントの基盤となる学習アルゴリズムを前提とせず、潜伏状態やモデルへのアクセスを必要とせず、完全にオフラインで観察データを使って訓練することができる。
  論文  参考訳（メタデータ） (2022-06-17T23:07:33Z)
• RACA: Relation-Aware Credit Assignment for Ad-Hoc Cooperation in Multi-Agent Deep Reinforcement Learning [55.55009081609396]
  本稿では、アドホックな協調シナリオにおいてゼロショットの一般化を実現するRACA(Relation-Aware Credit Assignment)と呼ばれる新しい手法を提案する。 RACAは、エージェント間のトポロジ構造を符号化するために、グラフベースのエンコーダ関係を利用する。 提案手法は,StarCraftIIマイクロマネジメントベンチマークとアドホック協調シナリオのベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2022-06-02T03:39:27Z)
• 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)
• Towards Open Ad Hoc Teamwork Using Graph-based Policy Learning [11.480994804659908]
  我々は、さまざまなチーム構成の下でエージェントモデルと共同アクション値モデルを学ぶために、グラフニューラルネットワーク上に構築する。 私たちは、我々のアプローチが、他のエージェントが学習者に与える影響をうまくモデル化し、動的なチーム構成にしっかりと適応するポリシーを導いたことを実証的に実証します。
  論文  参考訳（メタデータ） (2020-06-18T10:39:41Z)
• Learning Multi-Agent Coordination through Connectivity-driven Communication [7.462336024223669]
  人工マルチエージェントシステムでは、エージェントのコミュニケーションスキルに基づいて協調的なポリシーを学習することができる。 我々は、深い強化学習アプローチであるコネクティビティ駆動通信(CDC)を提案する。 CDCは効果的な協調政策を学習でき、協調ナビゲーションタスクにおいて競合する学習アルゴリズムをオーバーパフォーマンスさせることができる。
  論文  参考訳（メタデータ） (2020-02-12T20:58:33Z)

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。