論文の概要: Contrastive Explanations of Centralized Multi-agent Optimization
Solutions
- arxiv url: http://arxiv.org/abs/2308.05984v2
- Date: Wed, 13 Mar 2024 13:56:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-14 18:57:22.481081
- Title: Contrastive Explanations of Centralized Multi-agent Optimization
Solutions
- Title（参考訳）: 集中型マルチエージェント最適化の対照的な説明
解決策
- Authors: Parisa Zehtabi, Alberto Pozanco, Ayala Bloch, Daniel Borrajo, Sarit
Kraus
- Abstract要約: CMAoEは、対照的な説明を生成するドメインに依存しないアプローチである。
CMAoEは,大規模なマルチエージェント最適化問題に対して,コントラスト的な説明を生成可能であることを示す。
- 参考スコア（独自算出の注目度）: 13.47459029716458
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In many real-world scenarios, agents are involved in optimization problems.
Since most of these scenarios are over-constrained, optimal solutions do not
always satisfy all agents. Some agents might be unhappy and ask questions of
the form ``Why does solution $S$ not satisfy property $P$?''. We propose CMAoE,
a domain-independent approach to obtain contrastive explanations by: (i)
generating a new solution $S^\prime$ where property $P$ is enforced, while also
minimizing the differences between $S$ and $S^\prime$; and (ii) highlighting
the differences between the two solutions, with respect to the features of the
objective function of the multi-agent system. Such explanations aim to help
agents understanding why the initial solution is better in the context of the
multi-agent system than what they expected. We have carried out a computational
evaluation that shows that CMAoE can generate contrastive explanations for
large multi-agent optimization problems. We have also performed an extensive
user study in four different domains that shows that: (i) after being presented
with these explanations, humans' satisfaction with the original solution
increases; and (ii) the constrastive explanations generated by CMAoE are
preferred or equally preferred by humans over the ones generated by state of
the art approaches.
- Abstract（参考訳）: 多くの実世界のシナリオでは、エージェントは最適化問題に関与している。
これらのシナリオの多くは過剰に制約されているため、最適解は必ずしも全てのエージェントを満たすとは限らない。
エージェントの中には、なぜ$S$がプロパティ$P$?'を満たさないのかという形式の質問をするものもある。
対照的な説明を得るためにドメインに依存しないアプローチであるCMAoEを提案する。
i) 新しいソリューションである$S^\prime$を生成し、プロパティ$P$を強制すると同時に、$S$と$S^\prime$の違いを最小限にする。
(2)マルチエージェントシステムの目的関数の特徴に関して,2つの解の相違を強調した。
このような説明は、エージェントが期待するよりも、マルチエージェントシステムのコンテキストにおいて、初期ソリューションが優れている理由を理解するのを助けることを目的としている。
我々は,大規模なマルチエージェント最適化問題に対して,CMAoEが対照的な説明を生成可能であることを示す計算評価を行った。
また、4つの異なるドメインで広範なユーザスタディを実施して、次のように示しています。
一 これらの説明を提示された後、原解に対する人間の満足度が高まること。
(II)CMAoEが生成した構成的説明は、芸術的アプローチの状況によって生成されたものよりも人間に好まれるか、等しく好まれる。
関連論文リスト
- Learning Multiple Initial Solutions to Optimization Problems [52.9380464408756]
厳密なランタイム制約の下で、同様の最適化問題を順次解決することは、多くのアプリケーションにとって不可欠である。
本稿では,問題インスタンスを定義するパラメータが与えられた初期解を多種多様に予測する学習を提案する。
提案手法は,すべての評価設定において有意かつ一貫した改善を実現し,必要な初期解の数に応じて効率よくスケールできることを実証した。
論文 参考訳（メタデータ） (2024-11-04T15:17:19Z) - Cooperative Bayesian Optimization for Imperfect Agents [32.15315995944448]
2つのエージェントは、関数を問合せするポイントを一緒に選ぶが、それぞれ1つの変数だけを制御する。
提案手法を逐次意思決定として定式化し,制御するエージェントは,関数に関する事前知識を持つ計算的合理的なエージェントとしてユーザをモデル化する。
本研究では,ユーザが過剰な探索を避ける限り,クエリの戦略的計画により,関数のグローバルな最大値の同定がより容易であることを示す。
論文 参考訳（メタデータ） (2024-03-07T12:16:51Z) - Principal-Agent Reward Shaping in MDPs [50.914110302917756]
主要な問題とは、ある政党が他の政党に代わって行動し、利害対立を引き起こすことである。
本研究では,主役とエージェントが異なる報酬関数を持つ2人プレイのスタックゲームについて検討し,エージェントは両プレイヤーに対してMDPポリシーを選択する。
この結果は,有限の地平線を持つ木と決定論的決定過程を確立した。
論文 参考訳（メタデータ） (2023-12-30T18:30:44Z) - On the Complexity of Multi-Agent Decision Making: From Learning in Games
to Partial Monitoring [105.13668993076801]
マルチエージェント強化学習(MARL)理論における中心的な問題は、構造条件やアルゴリズムの原理がサンプル効率の学習保証につながるかを理解することである。
本稿では,複数のエージェントを用いた対話型意思決定のための一般的な枠組みとして,この問題について考察する。
マルチエージェント意思決定における統計的複雑性を特徴付けることは、単一エージェント決定の統計的複雑性を特徴付けることと等価であることを示す。
論文 参考訳（メタデータ） (2023-05-01T06:46:22Z) - Dynamic Multi-objective Ensemble of Acquisition Functions in Batch
Bayesian Optimization [1.1602089225841632]
獲得関数は最適化プロセスにおいて重要な役割を果たす。
3つの取得関数は、その現在のパフォーマンスと過去のパフォーマンスに基づいて、セットから動的に選択される。
進化的多目的アルゴリズムを用いて、そのようなMOPを最適化し、非支配的な解の集合を得ることができる。
論文 参考訳（メタデータ） (2022-06-22T14:09:18Z) - Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。
本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
論文 参考訳（メタデータ） (2022-01-28T05:53:28Z) - DeepHAM: A Global Solution Method for Heterogeneous Agent Models with
Aggregate Shocks [9.088303226909277]
ヘテロジニアスエージェントモデル(DeepHAM$)のための,効率よく,信頼性が高く,解釈可能なグローバルソリューション法である$textitDeep学習ベースアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-12-29T03:09:19Z) - A Mutual Information Maximization Approach for the Spurious Solution
Problem in Weakly Supervised Question Answering [60.768146126094955]
弱々しい教師付き質問応答は通常、最終的な答えのみを監督信号として持つ。
偶然に正解を導出する刺激的な解が多数存在するかもしれないが、そのような解の訓練はモデルの性能を損なう可能性がある。
本稿では,質問応答対と予測解間の相互情報の最大化により,このような意味的相関を明示的に活用することを提案する。
論文 参考訳（メタデータ） (2021-06-14T05:47:41Z) - A Multi-Agent Primal-Dual Strategy for Composite Optimization over
Distributed Features [52.856801164425086]
目的関数を滑らかな局所関数と凸(おそらく非滑らか)結合関数の和とするマルチエージェント共有最適化問題について検討する。
論文 参考訳（メタデータ） (2020-06-15T19:40:24Z) - Multiagent Value Iteration Algorithms in Dynamic Programming and
Reinforcement Learning [0.0]
各段階における制御がいくつかの異なる決定から構成される無限水平動的プログラミング問題を考える。
以前の研究では、ポリシーの反復アルゴリズムを導入しました。
論文 参考訳（メタデータ） (2020-05-04T16:34:24Z)
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。