論文の概要: Adaptive Network Intervention for Complex Systems: A Hierarchical Graph Reinforcement Learning Approach
- arxiv url: http://arxiv.org/abs/2410.23396v1
- Date: Wed, 30 Oct 2024 18:59:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-01 17:02:25.292828
- Title: Adaptive Network Intervention for Complex Systems: A Hierarchical Graph Reinforcement Learning Approach
- Title（参考訳）: 複雑なシステムに対する適応的ネットワーク介入:階層型グラフ強化学習アプローチ
- Authors: Qiliang Chen, Babak Heydari,
- Abstract要約: 本稿では,階層型グラフ強化学習フレームワークについて紹介する。
低い社会的学習の下では、HGRLマネージャは協力を維持し、コオペレーターが支配する堅牢なコア周辺ネットワークを形成する。
対照的に、高い社会的学習の欠陥は加速し、スパサーやチェーンのようなネットワークへと繋がる。
- 参考スコア（独自算出の注目度）: 0.8287206589886879
- License:
- Abstract: Effective governance and steering of behavior in complex multi-agent systems (MAS) are essential for managing system-wide outcomes, particularly in environments where interactions are structured by dynamic networks. In many applications, the goal is to promote pro-social behavior among agents, where network structure plays a pivotal role in shaping these interactions. This paper introduces a Hierarchical Graph Reinforcement Learning (HGRL) framework that governs such systems through targeted interventions in the network structure. Operating within the constraints of limited managerial authority, the HGRL framework demonstrates superior performance across a range of environmental conditions, outperforming established baseline methods. Our findings highlight the critical influence of agent-to-agent learning (social learning) on system behavior: under low social learning, the HGRL manager preserves cooperation, forming robust core-periphery networks dominated by cooperators. In contrast, high social learning accelerates defection, leading to sparser, chain-like networks. Additionally, the study underscores the importance of the system manager's authority level in preventing system-wide failures, such as agent rebellion or collapse, positioning HGRL as a powerful tool for dynamic network-based governance.
- Abstract（参考訳）: 複雑なマルチエージェントシステム(MAS)における効果的なガバナンスと行動のステアリングは、特に動的ネットワークによって相互作用が構造化される環境において、システム全体の成果を管理するために不可欠である。
多くの応用において、ネットワーク構造がこれらの相互作用を形成する上で重要な役割を果たすエージェント間の社会的行動を促進することが目的である。
本稿では,階層型グラフ強化学習(Hierarchical Graph Reinforcement Learning, HGRL)フレームワークを提案する。
限られた管理権限の制約の中で運用されているHGRLフレームワークは、確立されたベースライン法よりも優れた性能を示す。
本研究は,エージェント・ツー・エージェント・ラーニング(社会学習)がシステム行動に与える影響を明らかにするものである。
対照的に、高い社会的学習は欠陥を加速し、スパサーやチェーンのようなネットワークへと繋がる。
さらに、エージェントの反乱や崩壊などのシステム全体の障害を防止し、HGRLを動的ネットワークベースのガバナンスの強力なツールとして位置づけることにおいて、システムマネージャの権限レベルの重要性を強調した。
関連論文リスト
- Resource Governance in Networked Systems via Integrated Variational Autoencoders and Reinforcement Learning [0.8287206589886879]
本稿では,変分オートエンコーダ(VAE)と強化学習(RL)を統合し,システム性能のバランスをとるフレームワークを提案する。
この手法の重要な革新は、ネットワーク構造の広大なアクション空間を扱う能力である。
論文 参考訳（メタデータ） (2024-10-30T18:57:02Z) - Exploiting Structure in Offline Multi-Agent RL: The Benefits of Low Interaction Rank [52.831993899183416]
相互作用ランクという構造的仮定を導入し、相互作用ランクの低い関数が一般的なものよりも分布シフトに対して著しく堅牢であることを示す。
我々は,非正規化と非正規化学習と組み合わせることで,オフラインMARLにおける分散的,計算的,統計的に効率的な学習が可能であることを実証した。
論文 参考訳（メタデータ） (2024-10-01T22:16:22Z) - Online Learning for Autonomous Management of Intent-based 6G Networks [39.135195293229444]
本稿では,階層型マルチアームバンディットアプローチに基づくオンライン学習手法を提案する。
提案アルゴリズムは,資源配分と意図的期待の満足度に関する効果的なアプローチであることを示す。
論文 参考訳（メタデータ） (2024-07-25T04:48:56Z) - Intelligent Hybrid Resource Allocation in MEC-assisted RAN Slicing Network [72.2456220035229]
我々は,協調型MEC支援RANスライシングシステムにおける異種サービス要求に対するSSRの最大化を目指す。
最適ハイブリッドRAポリシーをインテリジェントに学習するためのRGRLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-05-02T01:36:13Z) - Distributed Autonomous Swarm Formation for Dynamic Network Bridging [40.27919181139919]
離散化された部分観測可能なマルコフ決定過程(Dec-POMDP)における動的ネットワークブリッジ問題について定式化する。
グラフ畳み込み強化学習(DGN)に基づく問題に対するマルチエージェント強化学習(MARL)アプローチを提案する。
提案手法はシミュレーション環境で評価し,将来性を示す集中型ベースラインと比較した。
論文 参考訳（メタデータ） (2024-04-02T01:45:03Z) - Safe Multi-agent Learning via Trapping Regions [89.24858306636816]
我々は、動的システムの定性理論から知られているトラップ領域の概念を適用し、分散学習のための共同戦略空間に安全セットを作成する。
本稿では,既知の学習力学を持つシステムにおいて,候補がトラップ領域を形成することを検証するための二分分割アルゴリズムと,学習力学が未知のシナリオに対するサンプリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-02-27T14:47:52Z) - Reward-Sharing Relational Networks in Multi-Agent Reinforcement Learning
as a Framework for Emergent Behavior [0.0]
ユーザ定義リレーショナルネットワークを通じて,ソーシャルなインタラクションをMARLセットアップに統合する。
エージェントとエージェントの関係が創発行動の出現に及ぼす影響について検討する。
論文 参考訳（メタデータ） (2022-07-12T23:27:42Z) - Rank Diminishing in Deep Neural Networks [71.03777954670323]
ニューラルネットワークのランクは、層をまたがる情報を測定する。
これは機械学習の幅広い領域にまたがる重要な構造条件の例である。
しかし、ニューラルネットワークでは、低ランク構造を生み出す固有のメカニズムはあいまいで不明瞭である。
論文 参考訳（メタデータ） (2022-06-13T12:03:32Z) - Network control by a constrained external agent as a continuous
optimization problem [0.0]
我々は、ディープラーニングとネットワーク科学の最適化ツールを、現実世界のネットワークにおけるそのような介入を最適化できるフレームワークに統合する。
このフレームワークは、戦略的に重要な企業ネットワークの脆弱性を、機密性の高い乗っ取りに特徴付けることができる。
論文 参考訳（メタデータ） (2021-08-23T17:21:23Z) - Decentralized Control with Graph Neural Networks [147.84766857793247]
分散コントローラを学習するグラフニューラルネットワーク(GNN)を用いた新しいフレームワークを提案する。
GNNは、自然分散アーキテクチャであり、優れたスケーラビリティと転送性を示すため、タスクに適している。
分散コントローラの学習におけるGNNの可能性を説明するために、群れとマルチエージェントパス計画の問題を検討する。
論文 参考訳（メタデータ） (2020-12-29T18:59:14Z) - A game-theoretic analysis of networked system control for common-pool
resource management using multi-agent reinforcement learning [54.55119659523629]
マルチエージェント強化学習は近年,ネットワーク型システム制御へのアプローチとして大きな可能性を秘めている。
共通プールの資源は耕作可能な土地、淡水、湿地、野生生物、魚類資源、森林、大気である。
論文 参考訳（メタデータ） (2020-10-15T14:12:26Z)
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。