Fugu-MT 論文翻訳(概要): Decentralized multi-agent reinforcement learning algorithm using a cluster-synchronized laser network

論文の概要: Decentralized multi-agent reinforcement learning algorithm using a cluster-synchronized laser network

arxiv url: http://arxiv.org/abs/2407.09124v1
Date: Fri, 12 Jul 2024 09:38:47 GMT
ステータス: 処理完了
システム内更新日: 2024-07-15 23:57:34.213961
Title: Decentralized multi-agent reinforcement learning algorithm using a cluster-synchronized laser network
Title（参考訳）: クラスタ同期レーザネットワークを用いた分散マルチエージェント強化学習アルゴリズム
Authors: Shun Kotoku, Takatomo Mihana, André Röhm, Ryoichi Horisaki,
Abstract要約: 競合するマルチアームバンディット問題に対処するフォトニクスに基づく意思決定アルゴリズムを提案する。シミュレーションにより,光結合型レーザーのカオス振動とクラスタ同期,分散結合調整,探索と利用の効率向上が示された。
参考スコア（独自算出の注目度）: 1.124958340749622
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Multi-agent reinforcement learning (MARL) studies crucial principles that are applicable to a variety of fields, including wireless networking and autonomous driving. We propose a photonic-based decision-making algorithm to address one of the most fundamental problems in MARL, called the competitive multi-armed bandit (CMAB) problem. Our numerical simulations demonstrate that chaotic oscillations and cluster synchronization of optically coupled lasers, along with our proposed decentralized coupling adjustment, efficiently balance exploration and exploitation while facilitating cooperative decision-making without explicitly sharing information among agents. Our study demonstrates how decentralized reinforcement learning can be achieved by exploiting complex physical processes controlled by simple algorithms.
Abstract（参考訳）: マルチエージェント強化学習(MARL)は、無線ネットワークや自律運転など、さまざまな分野に適用可能な重要な原則を研究する。本稿では,MARLの最も基本的な問題であるCMAB問題に対処するフォトニクスに基づく意思決定アルゴリズムを提案する。計算機シミュレーションにより,光結合型レーザーのカオス振動とクラスタ同期が,エージェント間で情報を共有することなく協調的な意思決定を容易にし,効率よく探索と利用のバランスをとることを示した。本研究は, 単純なアルゴリズムによって制御される複雑な物理過程を活用することにより, 分散強化学習を実現する方法を示す。

関連論文リスト

Asymmetric leader-laggard cluster synchronization for collective decision-making with laser network [0.0]
フォトニック加速器は、情報処理に光の究極の性質を活用することで、関心を集めている。本研究は,カオスレーザーとフォトニックデバイスをベースとした機械学習の能力と意義を明らかにする。
論文参考訳（メタデータ） (2023-12-05T07:04:21Z)
CoopInit: Initializing Generative Adversarial Networks via Cooperative Learning [50.90384817689249]
CoopInitは、協力的な学習ベースの戦略で、GANにとって良い出発点を素早く学べる。本稿では,画像生成における提案手法の有効性を示す。
論文参考訳（メタデータ） (2023-03-21T07:49:32Z)
MARLIN: Soft Actor-Critic based Reinforcement Learning for Congestion Control in Real Networks [63.24965775030673]
そこで本研究では,汎用的な渋滞制御(CC)アルゴリズムを設計するための新しい強化学習(RL)手法を提案する。我々の解であるMARLINは、Soft Actor-Criticアルゴリズムを用いてエントロピーとリターンの両方を最大化する。我々は,MARLINを実ネットワーク上で訓練し,実ミスマッチを克服した。
論文参考訳（メタデータ） (2023-02-02T18:27:20Z)
Semantic-Aware Collaborative Deep Reinforcement Learning Over Wireless Cellular Networks [82.02891936174221]
複数のエージェントが無線ネットワーク上で協調できるコラボレーティブディープ強化学習(CDRL)アルゴリズムは有望なアプローチである。本稿では,リソース制約のある無線セルネットワーク上で,意味的にリンクされたDRLタスクを持つ未学習エージェントのグループを効率的に協調させる,新しい意味認識型CDRL手法を提案する。
論文参考訳（メタデータ） (2021-11-23T18:24:47Z)
Cooperative Multi-Agent Reinforcement Learning Based Distributed Dynamic Spectrum Access in Cognitive Radio Networks [46.723006378363785]
ダイナミックスペクトルアクセス(DSA)は、非効率的なスペクトル利用の問題を改善するための、有望なパラダイムである。本稿では,一般的な認知無線ネットワークにおけるマルチユーザに対する分散DSA問題について検討する。我々は、各認知ユーザに対する状態の部分的観測可能性に対処するために、DRQN(Deep Recurrent Q-network)を用いている。
論文参考訳（メタデータ） (2021-06-17T06:52:21Z)
Coding for Distributed Multi-Agent Reinforcement Learning [12.366967700730449]
ストラグラーは、様々なシステム障害が存在するため、分散学習システムで頻繁に発生する。本稿では,ストラグラーの存在下でのMARLアルゴリズムの学習を高速化する分散学習フレームワークを提案する。最大距離分離可能(MDS)コード、ランダムスパースコード、レプリケーションベースのコード、通常の低密度パリティチェック(LDPC)コードなど、さまざまなコーディングスキームも検討されている。
論文参考訳（メタデータ） (2021-01-07T00:22:34Z)
Toward Multiple Federated Learning Services Resource Sharing in Mobile Edge Networks [88.15736037284408]
本稿では,マルチアクセスエッジコンピューティングサーバにおいて,複数のフェデレーション付き学習サービスの新たなモデルについて検討する。共同資源最適化とハイパーラーニング率制御の問題,すなわちMS-FEDLを提案する。シミュレーションの結果,提案アルゴリズムの収束性能を実証した。
論文参考訳（メタデータ） (2020-11-25T01:29:41Z)
A Low Complexity Decentralized Neural Net with Centralized Equivalence using Layer-wise Learning [49.15799302636519]
我々は、分散処理ノード(労働者)で最近提案された大規模ニューラルネットワークをトレーニングするために、低複雑性分散学習アルゴリズムを設計する。我々の設定では、トレーニングデータは作業者間で分散されるが、プライバシやセキュリティ上の懸念からトレーニングプロセスでは共有されない。本研究では,データが一箇所で利用可能であるかのように,等価な学習性能が得られることを示す。
論文参考訳（メタデータ） (2020-09-29T13:08:12Z)
Lyapunov-Based Reinforcement Learning for Decentralized Multi-Agent Control [3.3788926259119645]
分散マルチエージェント制御では、システムは未知あるいは非常に不確実なダイナミクスで複雑である。深層強化学習(DRL)は、システムダイナミクスを知らずに、データからコントローラや政治を学ぶことを約束している。既存のマルチエージェント強化学習(MARL)アルゴリズムは、マルチエージェントシステムの閉ループ安定性を保証することができない。安定保証付き分散マルチエージェント制御のための新しいMARLアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-09-20T06:11:42Z)
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。