論文の概要: Multi-agent Reinforcement Learning: A Comprehensive Survey
- arxiv url: http://arxiv.org/abs/2312.10256v1
- Date: Fri, 15 Dec 2023 23:16:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-19 17:35:26.527384
- Title: Multi-agent Reinforcement Learning: A Comprehensive Survey
- Title(参考訳): マルチエージェント強化学習 : 総合的な調査
- Authors: Dom Huh, Prasant Mohapatra
- Abstract要約: この調査はマルチエージェントシステム(MAS)の領域を掘り下げ、学習の最適制御の複雑さを解き放つことに特に重点を置いている。
本調査の目的は、MASの様々な次元に関する総合的な洞察を提供することであり、無数の機会に光を当てることである。
- 参考スコア(独自算出の注目度): 12.033444190665552
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The prevalence of multi-agent applications pervades various interconnected
systems in our everyday lives. Despite their ubiquity, the integration and
development of intelligent decision-making agents in a shared environment pose
challenges to their effective implementation. This survey delves into the
domain of multi-agent systems (MAS), placing a specific emphasis on unraveling
the intricacies of learning optimal control within the MAS framework, commonly
known as multi-agent reinforcement learning (MARL). The objective of this
survey is to provide comprehensive insights into various dimensions of MAS,
shedding light on myriad opportunities while highlighting the inherent
challenges that accompany multi-agent applications. We hope not only to
contribute to a deeper understanding of the MAS landscape but also to provide
valuable perspectives for both researchers and practitioners. By doing so, we
aim to facilitate informed exploration and foster development within the
dynamic realm of MAS, recognizing the need for adaptive strategies and
continuous evolution in addressing emerging complexities in MARL.
- Abstract(参考訳): マルチエージェントアプリケーションの普及は、日常生活において様々な相互接続システムに及んでいる。
その普及にもかかわらず、共有環境におけるインテリジェントな意思決定エージェントの統合と開発は、効果的な実装に課題をもたらす。
この調査はマルチエージェントシステム(MAS)の領域を掘り下げ、マルチエージェント強化学習(MARL)として知られるMASフレームワーク内での学習最適制御の複雑さの解明に特に重点を置いている。
この調査の目的は、MASの様々な次元に関する総合的な洞察を提供することであり、多エージェントアプリケーションに伴う固有の課題を強調しながら、無数の機会に光を当てることである。
我々は、MASの景観のより深い理解に貢献するだけでなく、研究者と実践者の両方に貴重な視点を提供することを望んでいます。
そこで我々は,MASのダイナミック領域における情報探索と開発促進を促進し,MARLの新たな複雑さに対処する上で,適応戦略や継続的進化の必要性を認識した。
関連論文リスト
- Large Multimodal Agents: A Survey [78.81459893884737]
大規模言語モデル(LLM)は、テキストベースのAIエージェントのパワーで優れたパフォーマンスを実現している。
LLMを利用したAIエージェントをマルチモーダルドメインに拡張することに焦点を当てた、新たな研究トレンドがある。
本総説は, この急速に発展する分野において, 今後の研究に有用な洞察とガイドラインを提供することを目的としている。
論文 参考訳(メタデータ) (2024-02-23T06:04:23Z) - Enabling Multi-Agent Transfer Reinforcement Learning via Scenario
Independent Representation [0.7366405857677227]
マルチエージェント強化学習(MARL)アルゴリズムは、エージェント間の協調や競合を必要とする複雑なタスクに広く採用されている。
本稿では,様々な状態空間を固定サイズの入力に統一することで,MARLの伝達学習を可能にする新しいフレームワークを提案する。
スクラッチから学習するエージェントと比較して,他のシナリオから学んだ操作スキルを用いたマルチエージェント学習性能の大幅な向上を示す。
論文 参考訳(メタデータ) (2024-02-13T02:48:18Z) - Large Language Model based Multi-Agents: A Survey of Progress and
Challenges [46.857697157523994]
大規模言語モデル(LLM)は、幅広いタスクで大きな成功を収めています。
近年, 1 つの LLM を単一計画や意思決定エージェントとして利用する手法の開発により, 複雑な問題解決や世界シミュレーションにおいて, LLM ベースのマルチエージェントシステムは大きな進歩を遂げている。
論文 参考訳(メタデータ) (2024-01-21T23:36:14Z) - On Diagnostics for Understanding Agent Training Behaviour in Cooperative
MARL [5.124364759305485]
我々は、経験的リターンのみに依存することは、エージェントの振る舞いに不明瞭な重要な洞察を与えるかもしれないと論じる。
本稿では,エージェントの動作に対する深い洞察を得るために,説明可能なAI(XAI)ツールの適用について検討する。
論文 参考訳(メタデータ) (2023-12-13T19:10:10Z) - A Survey on Large Language Model based Autonomous Agents [107.8237473711049]
大規模言語モデル(LLM)は、人間レベルの知性を達成する上で、顕著な可能性を示している。
本稿では,LLMに基づく自律エージェントの分野を総合的な観点から体系的に検討する。
本稿では、社会科学、自然科学、工学の分野におけるLLMベースの自律エージェントの多様な応用について概観する。
論文 参考訳(メタデータ) (2023-08-22T13:30:37Z) - A Versatile Multi-Agent Reinforcement Learning Benchmark for Inventory
Management [16.808873433821464]
マルチエージェント強化学習(MARL)は、共有環境内で対話し学習する複数のエージェントをモデル化する。
MARLを現実のシナリオに適用することは、スケールアップ、複雑なエージェントインタラクション、非定常ダイナミクスといった多くの課題によって妨げられます。
論文 参考訳(メタデータ) (2023-06-13T05:22:30Z) - Learning Reward Machines in Cooperative Multi-Agent Tasks [75.79805204646428]
本稿では,MARL(Multi-Agent Reinforcement Learning)に対する新しいアプローチを提案する。
これは、協調的なタスク分解と、サブタスクの構造をコードする報酬機(RM)の学習を組み合わせる。
提案手法は、部分的に観測可能な環境下での報酬の非マルコフ的性質に対処するのに役立つ。
論文 参考訳(メタデータ) (2023-03-24T15:12:28Z) - Developing, Evaluating and Scaling Learning Agents in Multi-Agent
Environments [38.16072318606355]
DeepMindのGame Theory & Multi-Agentチームは、マルチエージェント学習のいくつかの側面を研究している。
私たちのグループの重要な目的は、DeepMindのリソースと専門知識を深層強化学習に活用することにあります。
論文 参考訳(メタデータ) (2022-09-22T12:28:29Z) - A Survey on Large-Population Systems and Scalable Multi-Agent
Reinforcement Learning [18.918558716102144]
我々は、大規模人口システムを理解し分析するための現在のアプローチに光を当てる。
我々は,大規模制御の応用の可能性を調査し,実践システムにおける学習アルゴリズムの有能な将来的応用について検討する。
論文 参考訳(メタデータ) (2022-09-08T14:58:50Z) - Q-Mixing Network for Multi-Agent Pathfinding in Partially Observable
Grid Environments [62.997667081978825]
部分的に観測可能なグリッド環境におけるマルチエージェントナビゲーションの問題点を考察する。
エージェントがまず、観察を行動にマッピングする方針を学習し、その目的を達成するためにこれらの方針に従うとき、強化学習アプローチを活用することを提案する。
論文 参考訳(メタデータ) (2021-08-13T09:44:47Z) - Cooperative Exploration for Multi-Agent Deep Reinforcement Learning [127.4746863307944]
深層強化学習のための協調型マルチエージェント探索(CMAE)を提案する。
ゴールは正規化エントロピーに基づく手法により、複数の射影状態空間から選択される。
CMAEが様々なタスクのベースラインを一貫して上回っていることを実証する。
論文 参考訳(メタデータ) (2021-07-23T20:06:32Z)
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。