Fugu-MT 論文翻訳(概要): Fully Decentralized Cooperative Multi-Agent Reinforcement Learning: A Survey

論文の概要: Fully Decentralized Cooperative Multi-Agent Reinforcement Learning: A Survey

arxiv url: http://arxiv.org/abs/2401.04934v1
Date: Wed, 10 Jan 2024 05:07:42 GMT
ステータス: 処理完了
システム内更新日: 2024-01-11 15:30:26.213869
Title: Fully Decentralized Cooperative Multi-Agent Reinforcement Learning: A Survey
Title（参考訳）: 完全分散協調型多エージェント強化学習:調査
Authors: Jiechuan Jiang, Kefan Su, Zongqing Lu
Abstract要約: 協調型マルチエージェント強化学習は多くの実世界の協調作業を解決する強力なツールである。完全に分散した環境で最適な共同政策に収束できるアルゴリズムを導出することは困難である。
参考スコア（独自算出の注目度）: 48.77342627610471
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Cooperative multi-agent reinforcement learning is a powerful tool to solve many real-world cooperative tasks, but restrictions of real-world applications may require training the agents in a fully decentralized manner. Due to the lack of information about other agents, it is challenging to derive algorithms that can converge to the optimal joint policy in a fully decentralized setting. Thus, this research area has not been thoroughly studied. In this paper, we seek to systematically review the fully decentralized methods in two settings: maximizing a shared reward of all agents and maximizing the sum of individual rewards of all agents, and discuss open questions and future research directions.
Abstract（参考訳）: 協調型マルチエージェント強化学習は多くの実世界の協調作業を解決する強力なツールであるが、現実の応用の制限はエージェントを完全に分散的に訓練する必要があるかもしれない。他のエージェントに関する情報が不足しているため、完全に分散した環境で最適なジョイントポリシーに収束できるアルゴリズムを導出することは困難である。そのため、この研究領域は十分に研究されていない。本稿では,全エージェントの共有報酬を最大化し,各エージェントの個別報酬の合計を最大化し,オープン質問と今後の研究方向性について議論する。

関連論文リスト

ROMA-iQSS: An Objective Alignment Approach via State-Based Value Learning and ROund-Robin Multi-Agent Scheduling [44.276285521929424]
本稿では,エージェントが独立して最適な状態を発見できる分散状態ベース価値学習アルゴリズムを提案する。我々の理論分析は、我々のアプローチが分散化されたエージェントを最適な集団政策へと導くことを示している。さらに実験により,本手法が既存の分散状態ベースおよび行動ベース価値学習戦略より優れていることを示す。
論文参考訳（メタデータ） (2024-04-05T09:39:47Z)
Is Centralized Training with Decentralized Execution Framework Centralized Enough for MARL? [27.037348104661497]
分散実行によるトレーニングは、協調的マルチエージェント強化学習のための一般的なフレームワークである。マルチエージェント強化学習のためのCADP(Advising and Decentralized Pruning)フレームワークを提案する。
論文参考訳（メタデータ） (2023-05-27T03:15:24Z)
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)
Multi-agent Deep Covering Skill Discovery [50.812414209206054]
本稿では,複数エージェントの結合状態空間の予測被覆時間を最小化し,マルチエージェントオプションを構築するマルチエージェントDeep Covering Option Discoveryを提案する。また、MARLプロセスにマルチエージェントオプションを採用するための新しいフレームワークを提案する。提案アルゴリズムは,アテンション機構とエージェントの相互作用を効果的に把握し,マルチエージェントオプションの同定に成功した。
論文参考訳（メタデータ） (2022-10-07T00:40:59Z)
Hierarchical Reinforcement Learning with Opponent Modeling for Distributed Multi-agent Cooperation [13.670618752160594]
深層強化学習(DRL)はエージェントと環境の相互作用を通じて多エージェント協調に有望なアプローチを提供する。従来のDRLソリューションは、ポリシー探索中に連続的なアクション空間を持つ複数のエージェントの高次元に悩まされる。効率的な政策探索のための高レベル意思決定と低レベル個別制御を用いた階層型強化学習手法を提案する。
論文参考訳（メタデータ） (2022-06-25T19:09:29Z)
Consensus Learning for Cooperative Multi-Agent Reinforcement Learning [12.74348597962689]
協調型マルチエージェント強化学習のためのコンセンサス学習を提案する。我々は、エージェントのネットワークへの明示的な入力として、推論されたコンセンサスをフィードする。提案手法は,様々なマルチエージェント強化学習アルゴリズムに拡張することができる。
論文参考訳（メタデータ） (2022-06-06T12:43:07Z)
Cooperative Heterogeneous Deep Reinforcement Learning [47.97582814287474]
異種エージェントの利点を統合することで政策を学習できる協調的異種深層強化学習フレームワークを提案する。グローバルエージェント(Global agent)は、他のエージェントからの経験を活用できる非政治エージェントである。ローカルエージェント(英: local agent)は、地域を効果的に探索できる、政治上のエージェントまたは人口ベースの進化的エージェントである。
論文参考訳（メタデータ） (2020-11-02T07:39:09Z)
UneVEn: Universal Value Exploration for Multi-Agent Reinforcement Learning [53.73686229912562]
我々はUniversal Value Exploration(UneVEn)と呼ばれる新しいMARLアプローチを提案する。 UneVEnは、一連の関連するタスクと、普遍的な後継機能の線形分解を同時に学習する。一連の探索ゲームにおける実証的な結果、エージェント間の重要な調整を必要とする協調捕食・捕食作業への挑戦、およびStarCraft IIのマイクロマネジメントベンチマークは、UneVEnが他の最先端のMARLメソッドが失敗するタスクを解決できることを示している。
論文参考訳（メタデータ） (2020-10-06T19:08:47Z)
F2A2: Flexible Fully-decentralized Approximate Actor-critic for Cooperative Multi-agent Reinforcement Learning [110.35516334788687]
分散マルチエージェント強化学習アルゴリズムは複雑なアプリケーションでは実践的でないことがある。本稿では,大規模で汎用的なマルチエージェント設定を扱える,柔軟な完全分散型アクター批判型MARLフレームワークを提案する。当社のフレームワークは,大規模環境におけるスケーラビリティと安定性を実現し,情報伝達を低減できる。
論文参考訳（メタデータ） (2020-04-17T14:56:29Z)

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。