論文の概要: A Neuro-Symbolic Approach to Multi-Agent RL for Interpretability and Probabilistic Decision Making

• arxiv url: http://arxiv.org/abs/2402.13440v1
• Date: Wed, 21 Feb 2024 00:16:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-22 17:30:31.679618
• Title: A Neuro-Symbolic Approach to Multi-Agent RL for Interpretability and Probabilistic Decision Making
• Title（参考訳）: 解釈性と確率的決定のためのマルチエージェントRLへのニューロシンボリックアプローチ
• Authors: Chitra Subramanian and Miao Liu and Naweed Khan and Jonathan Lenchner and Aporva Amarnath and Sarathkrishna Swaminathan and Ryan Riegel and Alexander Gray
• Abstract要約: マルチエージェント強化学習(MARL)は、複数のエージェントが共存し、共有リソースと競合するシステムにおいて、実行時の意思決定に適している。 ディープラーニングベースの一般的なMARLソリューションを実世界の問題に適用することは、解釈可能性、サンプル効率、部分観測可能性などの問題に悩まされる。 本稿では,ニューロシンボリック手法を用いて,意思決定を分散協調的MARLエージェントで処理するイベント駆動型定式化を提案する。
• 参考スコア（独自算出の注目度）: 42.503612515214044
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-agent reinforcement learning (MARL) is well-suited for runtime decision-making in optimizing the performance of systems where multiple agents coexist and compete for shared resources. However, applying common deep learning-based MARL solutions to real-world problems suffers from issues of interpretability, sample efficiency, partial observability, etc. To address these challenges, we present an event-driven formulation, where decision-making is handled by distributed co-operative MARL agents using neuro-symbolic methods. The recently introduced neuro-symbolic Logical Neural Networks (LNN) framework serves as a function approximator for the RL, to train a rules-based policy that is both logical and interpretable by construction. To enable decision-making under uncertainty and partial observability, we developed a novel probabilistic neuro-symbolic framework, Probabilistic Logical Neural Networks (PLNN), which combines the capabilities of logical reasoning with probabilistic graphical models. In PLNN, the upward/downward inference strategy, inherited from LNN, is coupled with belief bounds by setting the activation function for the logical operator associated with each neural network node to a probability-respecting generalization of the Fr\'echet inequalities. These PLNN nodes form the unifying element that combines probabilistic logic and Bayes Nets, permitting inference for variables with unobserved states. We demonstrate our contributions by addressing key MARL challenges for power sharing in a system-on-chip application.
• Abstract（参考訳）: マルチエージェント強化学習(MARL)は、複数のエージェントが共存し、共有リソースと競合するシステムのパフォーマンスを最適化する実行時決定に適している。 しかしながら、現実世界の問題に一般的なディープラーニングベースのmarlソリューションを適用すると、解釈可能性、サンプル効率、部分的可観測性などの問題が発生する。 そこで本研究では,神経シンボリック手法を用いて意思決定を分散したmarlエージェントによって処理するイベント駆動定式化手法を提案する。 最近導入されたLNN(Neuro-symbolic Logical Neural Networks)フレームワークは、RLの関数近似として機能し、建設によって論理的かつ解釈可能なルールベースのポリシーをトレーニングする。 本研究では,不確実性と部分的可観測性を考慮した意思決定を可能にするために,論理的推論能力と確率的グラフィカルモデルを組み合わせた新しい確率論的論理的ニューラルネットワーク(PLNN)を開発した。 PLNNでは、LNNから受け継いだ上向き/下向きの推論戦略を、各ニューラルネットワークノードに関連する論理演算子の活性化関数をFr\echet不等式の確率参照一般化に設定することにより、信念境界と結合する。 これらのPLNNノードは確率論理とベイズネットを組み合わせた統一要素を形成し、変数と観測されていない状態の推論を可能にする。 我々は,システム・オン・チップ・アプリケーションにおける電力共有におけるmarlの重要な課題を解決することで,我々の貢献を実証する。

関連論文リスト

• Neural Networks Decoded: Targeted and Robust Analysis of Neural Network Decisions via Causal Explanations and Reasoning [9.947555560412397]
  本稿では、因果推論理論に基づく新しい手法TRACERを紹介し、DNN決定の根底にある因果ダイナミクスを推定する。 提案手法は入力特徴に系統的に介入し,特定の変化がネットワークを介してどのように伝播するかを観察し,内部の活性化と最終的な出力に影響を与える。 TRACERはさらに、モデルバイアスの可能性のある反ファクトを生成することで説明可能性を高め、誤分類に対する対照的な説明を提供する。
  論文  参考訳（メタデータ） (2024-10-07T20:44:53Z)
• Sequential Recommendation with Probabilistic Logical Reasoning [24.908805534534547]
  我々は、Deep Neural Network (DNN) SRモデルと論理的推論を組み合わせる。 このフレームワークにより、SR-PLRは類似性マッチングと論理的推論の両方の利点を享受できる。 様々なシーケンシャルレコメンデーションモデルの実験は、SR-PLRの有効性を示す。
  論文  参考訳（メタデータ） (2023-04-22T12:25:40Z)
• Semantic Probabilistic Layers for Neuro-Symbolic Learning [83.25785999205932]
  我々は構造化出力予測(SOP)のための予測層を設計する。 予測が事前に定義されたシンボリック制約のセットと一致していることを保証するため、任意のニューラルネットワークにプラグインすることができる。 我々のセマンティック確率層(SPL)は、構造化された出力空間上で複雑な相関や制約をモデル化することができる。
  論文  参考訳（メタデータ） (2022-06-01T12:02:38Z)
• Knowledge Enhanced Neural Networks for relational domains [83.9217787335878]
  我々は、ニューラルネットワークに事前論理的知識を注入するニューラルネットワークアーキテクチャであるKENNに焦点を当てる。 本稿では,関係データに対するKENNの拡張を提案する。
  論文  参考訳（メタデータ） (2022-05-31T13:00:34Z)
• Neuro-Symbolic Inductive Logic Programming with Logical Neural Networks [65.23508422635862]
  我々は最近提案された論理ニューラルネットワーク(LNN)を用いた学習規則を提案する。 他のものと比較して、LNNは古典的なブール論理と強く結びついている。 標準ベンチマークタスクの実験では、LNNルールが極めて解釈可能であることを確認した。
  論文  参考訳（メタデータ） (2021-12-06T19:38:30Z)
• SLASH: Embracing Probabilistic Circuits into Neural Answer Set Programming [15.814914345000574]
  SLASH(Deep Probabilistic Language:DPPL)を紹介します。 SLASHのコアとなるのは、NPP(Neural-Probabilistic Predicates)と、応答セットプログラミングを通じて統合された論理プログラムである。 我々は,MNIST加算のベンチマークデータとDPPLの欠落データ予測や最先端性能のセット予測といった新しいタスクに基づいてSLASHを評価する。
  論文  参考訳（メタデータ） (2021-10-07T12:35:55Z)
• Reinforcement Learning with External Knowledge by using Logical Neural Networks [67.46162586940905]
  論理ニューラルネットワーク(LNN)と呼ばれる最近のニューラルシンボリックフレームワークは、ニューラルネットワークとシンボリックロジックの両方のキープロパティを同時に提供することができる。 外部知識ソースからのモデルフリー強化学習を可能にする統合手法を提案する。
  論文  参考訳（メタデータ） (2021-03-03T12:34:59Z)
• Relational Neural Machines [19.569025323453257]
  本稿では,学習者のパラメータと一階論理に基づく推論を共同で学習するフレームワークを提案する。 ニューラルネットワークは、純粋な準記号学習の場合の古典的な学習結果とマルコフ論理ネットワークの両方を復元することができる。 適切なアルゴリズム解は、大規模な問題において学習と推論が引き出すことができるように考案されている。
  論文  参考訳（メタデータ） (2020-02-06T10:53:57Z)
• Efficient Probabilistic Logic Reasoning with Graph Neural Networks [63.099999467118245]
  マルコフ論理ネットワーク(MLN)は、多くの知識グラフ問題に対処するために用いられる。 MLNの推論は計算集約的であり、MLNの産業規模での応用は非常に困難である。 本稿では,表現力とモデルの単純さとのバランスのよいグラフニューラルネット(GNN)モデルであるExpressGNNを提案する。
  論文  参考訳（メタデータ） (2020-01-29T23:34:36Z)

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。