論文の概要: Curriculum Learning for Cooperation in Multi-Agent Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2312.11768v1
• Date: Tue, 19 Dec 2023 00:59:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-20 17:36:32.538338
• Title: Curriculum Learning for Cooperation in Multi-Agent Reinforcement Learning
• Title（参考訳）: マルチエージェント強化学習における協調のためのカリキュラム学習
• Authors: Rupali Bhati and Sai Krishna Gottipati and Clod\'eric Mars and Matthew E. Taylor
• Abstract要約: 競争環境では、ますます熟練した相手のカリキュラムと競合させることで、学習エージェントを訓練することができる。 一般的な知的エージェントは、他のエージェントに対して行動することを学び、共通の目標を達成するために彼らと協力することもできます。 本稿では,この2つの目的を達成するために,チームメイトとチームメイトとの連携に関する質問に答えることを目的としている。
• 参考スコア（独自算出の注目度）: 7.336421550829047
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: While there has been significant progress in curriculum learning and continuous learning for training agents to generalize across a wide variety of environments in the context of single-agent reinforcement learning, it is unclear if these algorithms would still be valid in a multi-agent setting. In a competitive setting, a learning agent can be trained by making it compete with a curriculum of increasingly skilled opponents. However, a general intelligent agent should also be able to learn to act around other agents and cooperate with them to achieve common goals. When cooperating with other agents, the learning agent must (a) learn how to perform the task (or subtask), and (b) increase the overall team reward. In this paper, we aim to answer the question of what kind of cooperative teammate, and a curriculum of teammates should a learning agent be trained with to achieve these two objectives. Our results on the game Overcooked show that a pre-trained teammate who is less skilled is the best teammate for overall team reward but the worst for the learning of the agent. Moreover, somewhat surprisingly, a curriculum of teammates with decreasing skill levels performs better than other types of curricula.
• Abstract（参考訳）: 単エージェント強化学習の文脈において、学習エージェントが様々な環境にまたがって一般化するためのカリキュラム学習や継続的学習が著しく進歩しているが、これらのアルゴリズムがマルチエージェント環境でも有効かどうかは不明である。 競争環境では、ますます熟練した相手のカリキュラムと競合させることで、学習エージェントを訓練することができる。 しかし、汎用的な知的エージェントは、他のエージェントに対して行動し、共通の目標を達成するために彼らと協力できることも学べるべきである。 他のエージェントと協力する場合、学習エージェントは、 (a)そのタスク(またはサブタスク)の実行方法を学び、 (b)チーム全体の報酬を増やす。 本稿では,協調的なチームメートと,これら2つの目標を達成するために,学習エージェントを訓練すべきチームメートのカリキュラムに関する質問に答えることを目的としている。 ゲームOvercookedの結果は、トレーニング済みのチームメイトがスキルの低いチームメイトはチーム全体の報酬に最適なチームメイトであるが、エージェントの学習には最悪のものであることを示している。 さらに,スキルレベルが低いチームメイトのカリキュラムは,他のタイプのカリキュラムよりも優れています。

関連論文リスト

• Multi-Agent Training for Pommerman: Curriculum Learning and Population-based Self-Play Approach [11.740631954398292]
  Pommermanはマルチエージェントトレーニングのための理想的なベンチマークであり、同盟エージェント間のコミュニケーション能力を持つ2つのチームのための戦場を提供する。 本研究は,カリキュラム学習と人口ベースセルフプレイを組み合わせることで,Pommermanをプレイするマルチエージェントシステムを学習するためのシステムを提案する。
  論文  参考訳（メタデータ） (2024-06-30T11:14:29Z)
• 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)
• Exploring the Benefits of Teams in Multiagent Learning [5.334505575267924]
  組織心理学(OP)に触発された強化学習(RL)エージェントのためのマルチエージェントチームの新しいモデルを提案する。 我々は、協力しないインセンティブにもかかわらず、チームに分かれたエージェントが協調的な社会政策を開発することを発見した。 エージェントはチームの創発的な役割をコーディネートし、学習し、すべてのエージェントの利害関係が整った時よりも高い報酬を得ることができる。
  論文  参考訳（メタデータ） (2022-05-04T21:14:03Z)
• Learning to Transfer Role Assignment Across Team Sizes [48.43860606706273]
  チーム規模で役割の割り当てと移譲を学ぶためのフレームワークを提案する。 ロールベースの信用割当構造を再利用することで、より大きな強化学習チームの学習プロセスが促進されることを示す。
  論文  参考訳（メタデータ） (2022-04-17T11:22:01Z)
• Hidden Agenda: a Social Deduction Game with Diverse Learned Equilibria [57.74495091445414]
  社会的推論ゲームは、個人が他人に関する潜在的に信頼できない情報を合成する方法を学ぶための道を提供する。 本研究では,未知のチームアライメントのシナリオにおいて,学習エージェントを研究するための2D環境を提供する2チームソーシャル推論ゲームであるHidden Agendaを紹介する。 Hidden Agendaで訓練された強化学習エージェントは、自然言語でのコミュニケーションを必要とせずに、協力や投票など、さまざまな行動を学ぶことができることを示した。
  論文  参考訳（メタデータ） (2022-01-05T20:54:10Z)
• Two-stage training algorithm for AI robot soccer [2.0757564643017092]
  異種エージェントの学習性能を向上させるために,二段階多種集中訓練を提案する。 提案手法は,5対5のAIロボットサッカーを用いて検証を行う。
  論文  参考訳（メタデータ） (2021-04-13T04:24:13Z)
• Natural Emergence of Heterogeneous Strategies in Artificially Intelligent Competitive Teams [0.0]
  我々はFortAttackと呼ばれる競合するマルチエージェント環境を開発し、2つのチームが互いに競合する。 このような振る舞いがチームの成功に繋がる場合、同種エージェント間の異種行動の自然発生を観察する。 我々は、進化した反対戦略を利用して、友好的なエージェントのための単一のポリシーを訓練するアンサンブルトレーニングを提案する。
  論文  参考訳（メタデータ） (2020-07-06T22:35:56Z)
• Learning to Incentivize Other Learning Agents [73.03133692589532]
  我々は、学習インセンティブ関数を用いて、RLエージェントに他のエージェントに直接報酬を与える能力を持たせる方法を示す。 このようなエージェントは、一般的なマルコフゲームにおいて、標準のRLと対戦型エージェントを著しく上回っている。 私たちの仕事は、マルチエージェントの未来において共通の善を確実にする道のりに沿って、より多くの機会と課題を指しています。
  論文  参考訳（メタデータ） (2020-06-10T20:12:38Z)
• Learning from Learners: Adapting Reinforcement Learning Agents to be Competitive in a Card Game [71.24825724518847]
  本稿では,競争力のあるマルチプレイヤーカードゲームの現実的な実装を学習・プレイするために,一般的な強化学習アルゴリズムをどのように適用できるかについて検討する。 本研究は,学習エージェントに対して,エージェントが競争力を持つことの学習方法を評価するための特定のトレーニングと検証ルーチンを提案し,それらが相互の演奏スタイルにどのように適応するかを説明する。
  論文  参考訳（メタデータ） (2020-04-08T14:11:05Z)
• On Emergent Communication in Competitive Multi-Agent Teams [116.95067289206919]
  外部のエージェントチームによるパフォーマンスの競争が社会的影響として作用するかどうかを検討する。 以上の結果から,外部競争の影響により精度と一般化が向上し,コミュニケーション言語が急速に出現することが示唆された。
  論文  参考訳（メタデータ） (2020-03-04T01:14:27Z)

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。