論文の概要: Linguistic Fuzzy Information Evolution with Random Leader Election Mechanism for Decision-Making Systems
- arxiv url: http://arxiv.org/abs/2410.15171v1
- Date: Sat, 19 Oct 2024 18:15:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-22 13:12:51.441442
- Title: Linguistic Fuzzy Information Evolution with Random Leader Election Mechanism for Decision-Making Systems
- Title（参考訳）: ランダムリーダ選択機構を用いた意思決定システムのための言語ファジィ情報進化
- Authors: Qianlei Jia, Witold Pedrycz,
- Abstract要約: 言語ファジィ情報進化はエージェント間の情報交換を理解する上で重要である。
エージェントの重みの違いは、古典的なDeGrootモデルにおいて異なる収束結果をもたらす可能性がある。
本稿では,言語ファジィ情報力学の新しい3つのモデルを提案する。
- 参考スコア（独自算出の注目度）: 58.67035332062508
- License:
- Abstract: Linguistic fuzzy information evolution is crucial in understanding information exchange among agents. However, different agent weights may lead to different convergence results in the classic DeGroot model. Similarly, in the Hegselmann-Krause bounded confidence model (HK model), changing the confidence threshold values of agents can lead to differences in the final results. To address these limitations, this paper proposes three new models of linguistic fuzzy information dynamics: the per-round random leader election mechanism-based DeGroot model (PRRLEM-DeGroot), the PRRLEM-based homogeneous HK model (PRRLEM-HOHK), and the PRRLEM-based heterogeneous HK model (PRRLEM-HEHK). In these models, after each round of fuzzy information updates, an agent is randomly selected to act as a temporary leader with more significant influence, with the leadership structure being reset after each update. This strategy increases the information sharing and enhances decision-making by integrating multiple agents' evaluation information, which is also in line with real life (\emph{Leader is not unchanged}). The Monte Carlo method is then employed to simulate the behavior of complex systems through repeated random tests, obtaining confidence intervals for different fuzzy information. Subsequently, an improved golden rule representative value (GRRV) in fuzzy theory is proposed to rank these confidence intervals. Simulation examples and a real-world scenario about space situational awareness validate the effectiveness of the proposed models. Comparative analysis with the other models demonstrate our ability to address the echo chamber and improve the robustness.
- Abstract（参考訳）: 言語ファジィ情報進化はエージェント間の情報交換を理解する上で重要である。
しかし、異なるエージェント重みは古典的なDeGrootモデルにおいて異なる収束結果をもたらす可能性がある。
同様に、Hegselmann-Krause有界信頼モデル(HKモデル)では、エージェントの信頼しきい値を変更することで、最終的な結果に違いが生じる。
これらの制約に対処するため, 言語ファジィ情報力学の新モデルとして, ランダムリーダー選択機構に基づくDeGrootモデル(PRRLEM-DeGroot), PRRLEMベースの同種HKモデル(PRRLEM-HOHK), PRRLEMベースの異種HKモデル(PRRLEM-HEHK)を提案する。
これらのモデルでは、ファジィ情報更新の各ラウンドの後、エージェントがランダムに選択され、より重要な影響を持つ一時的なリーダーとして機能し、各更新後にリーダーシップ構造がリセットされる。
この戦略は情報共有を高め、複数のエージェントの評価情報を統合することで意思決定を強化する(これは実生活と一致している(\emph{Leader is notmut})。
モンテカルロ法は、異なるファジィ情報に対する信頼区間を得るために、繰り返しランダムなテストを通じて複雑なシステムの振舞いをシミュレートするために用いられる。
その後、ファジィ理論における改良された黄金規則代表値(GRRV)がこれらの信頼区間をランク付けするために提案される。
シミュレーション例と実世界における空間的状況認識のシナリオにより,提案モデルの有効性が検証された。
他のモデルとの比較分析は、エコーチャンバーに対処し、ロバスト性を改善する能力を示している。
関連論文リスト
- Using Deep Q-Learning to Dynamically Toggle between Push/Pull Actions in Computational Trust Mechanisms [0.0]
これまでの研究では、信頼度と評価モデルとしてよく知られたCAとFIREを比較し、信頼度が変化するとCAの方が優れていることを示した。
我々は、この問題を部分的に観察可能な環境での機械学習問題とみなし、信頼者にはいくつかの動的要因が存在することが分かっていない。
適応可能なエージェントは、各モデルをいつ使用するかを学ぶことができ、したがって、動的環境において一貫して実行可能であることを示す。
論文 参考訳（メタデータ） (2024-04-28T19:44:56Z) - Causal Coordinated Concurrent Reinforcement Learning [8.654978787096807]
本稿では,データ共有と協調探索のための新しいアルゴリズムフレームワークを提案する。
本アルゴリズムは,独立規制による個人差分制御モデルパラメータの抽出において,付加雑音モデル-混合モデル(ANM-MM)という形で因果推論アルゴリズムを利用する。
抽出したモデルパラメータの類似度に基づく新しいデータ共有方式を提案し, 自己回帰, 振り子, カートポールのスイングアップタスクのセットにおいて, 優れた学習速度を示す。
論文 参考訳（メタデータ） (2024-01-31T17:20:28Z) - Data Assimilation in Chaotic Systems Using Deep Reinforcement Learning [0.5999777817331317]
データ同化は、気候予報や天気予報から自動運転車の軌道計画まで、様々な応用において重要な役割を果たしている。
近年の進歩は、主に教師付き学習フレームワーク内で、この領域でディープラーニングアプローチが出現している。
本研究では、強化学習(RL)を用いて状態変数の完全あるいは部分的観測を用いて状態修正を行う新しいDA戦略を提案する。
論文 参考訳（メタデータ） (2024-01-01T06:53:36Z) - Value-Distributional Model-Based Reinforcement Learning [59.758009422067]
政策の長期的業績に関する不確実性の定量化は、シーケンシャルな意思決定タスクを解決するために重要である。
モデルに基づくベイズ強化学習の観点から問題を考察する。
本稿では,値分布関数を学習するモデルに基づくアルゴリズムであるEpicemic Quantile-Regression(EQR)を提案する。
論文 参考訳（メタデータ） (2023-08-12T14:59:19Z) - Generative Causal Representation Learning for Out-of-Distribution Motion
Forecasting [13.99348653165494]
本稿では,分散シフト下での知識伝達を容易にするための生成因果学習表現を提案する。
ヒトの軌道予測モデルにおいて提案手法の有効性を評価する一方、GCRLは他の領域にも適用可能である。
論文 参考訳（メタデータ） (2023-02-17T00:30:44Z) - DeGroot-based opinion formation under a global steering mechanism [3.0215418312651057]
ネットワークレベルでの意見駆動型エージェント状態を集約するグローバルステアリング機構(GSM)による意見形成過程について検討する。
GSM-DeGrootと呼ばれる2層エージェントに基づく意見形成モデルを提案し、エージェント-エージェント-エージェント間の局所的相互作用の結合ダイナミクスをキャプチャする。
論文 参考訳（メタデータ） (2022-10-21T22:02:47Z) - Efficient Model-based Multi-agent Reinforcement Learning via Optimistic
Equilibrium Computation [93.52573037053449]
H-MARL (Hallucinated Multi-Agent Reinforcement Learning) は,環境と数回交流した後の平衡政策を学習する。
自律運転シミュレーションベンチマークにおいて,本手法を実験的に実証した。
論文 参考訳（メタデータ） (2022-03-14T17:24:03Z) - Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。
本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。
次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文 参考訳（メタデータ） (2020-10-25T18:51:15Z) - Unsupervised Controllable Generation with Self-Training [90.04287577605723]
GANによる制御可能な世代は依然として困難な研究課題である。
本稿では,自己学習を通じてジェネレータを制御する潜伏符号の分布を学習するための教師なしフレームワークを提案する。
我々のフレームワークは、変分オートエンコーダのような他の変種と比較して、より良い絡み合いを示す。
論文 参考訳（メタデータ） (2020-07-17T21:50:35Z) - Interpretable Learning-to-Rank with Generalized Additive Models [78.42800966500374]
ラーニング・ツー・ランクのモデルの解釈可能性は、非常に重要でありながら、比較的過小評価されている研究分野である。
解釈可能なランキングモデルの最近の進歩は、主に既存のブラックボックスランキングモデルに対するポストホックな説明の生成に焦点を当てている。
一般化加法モデル(GAM)をランキングタスクに導入することにより,本質的に解釈可能な学習 to ランクの基盤を築いた。
論文 参考訳（メタデータ） (2020-05-06T01:51:30Z)
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。