論文の概要: Communication Learning in Multi-Agent Systems from Graph Modeling Perspective

• arxiv url: http://arxiv.org/abs/2411.00382v1
• Date: Fri, 01 Nov 2024 05:56:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 21:27:48.155299
• Title: Communication Learning in Multi-Agent Systems from Graph Modeling Perspective
• Title（参考訳）: グラフモデリングから見たマルチエージェントシステムにおけるコミュニケーション学習
• Authors: Shengchao Hu, Li Shen, Ya Zhang, Dacheng Tao,
• Abstract要約: 本稿では,エージェント間の通信アーキテクチャを学習可能なグラフとして概念化する手法を提案する。 本稿では,各エージェントに対して時間的ゲーティング機構を導入し,ある時間に共有情報を受信するかどうかの動的決定を可能にする。
• 参考スコア（独自算出の注目度）: 62.13508281188895
• License:
• Abstract: In numerous artificial intelligence applications, the collaborative efforts of multiple intelligent agents are imperative for the successful attainment of target objectives. To enhance coordination among these agents, a distributed communication framework is often employed. However, indiscriminate information sharing among all agents can be resource-intensive, and the adoption of manually pre-defined communication architectures imposes constraints on inter-agent communication, thus limiting the potential for effective collaboration. Moreover, the communication framework often remains static during inference, which may result in sustained high resource consumption, as in most cases, only key decisions necessitate information sharing among agents. In this study, we introduce a novel approach wherein we conceptualize the communication architecture among agents as a learnable graph. We formulate this problem as the task of determining the communication graph while enabling the architecture parameters to update normally, thus necessitating a bi-level optimization process. Utilizing continuous relaxation of the graph representation and incorporating attention units, our proposed approach, CommFormer, efficiently optimizes the communication graph and concurrently refines architectural parameters through gradient descent in an end-to-end manner. Additionally, we introduce a temporal gating mechanism for each agent, enabling dynamic decisions on whether to receive shared information at a given time, based on current observations, thus improving decision-making efficiency. Extensive experiments on a variety of cooperative tasks substantiate the robustness of our model across diverse cooperative scenarios, where agents are able to develop more coordinated and sophisticated strategies regardless of changes in the number of agents.
• Abstract（参考訳）: 多くの人工知能応用において、複数の知的エージェントの協調的努力は目標目標達成に不可欠である。 これらのエージェント間の協調を強化するために、分散通信フレームワークがよく使用される。 しかし, エージェント間の情報共有の非差別化は資源集約的であり, 手動による事前定義されたコミュニケーションアーキテクチャの採用はエージェント間通信に制約を課し, 効果的なコラボレーションの可能性を制限する。 さらに、通信フレームワークは推論中も静的のままであり、多くの場合、エージェント間の情報共有を必要とする重要な決定しか必要としないため、高いリソース消費が持続する可能性がある。 本研究では,エージェント間の通信アーキテクチャを学習可能なグラフとして概念化する手法を提案する。 アーキテクチャパラメータを正常に更新すると同時に、通信グラフを決定するタスクとしてこの問題を定式化し、双方向の最適化プロセスを必要とします。 提案手法であるCommFormerは,グラフ表現の連続的な緩和と注意ユニットの導入を利用して,通信グラフを効率よく最適化し,勾配降下によるアーキテクチャパラメータをエンドツーエンドに並列に洗練する。 さらに、各エージェントに対して時間的ゲーティング機構を導入し、現在の観測に基づいて、所定のタイミングで共有情報を受け取るかどうかの動的決定を可能にし、意思決定効率を向上させる。 様々な協調作業に関する広範囲な実験は、エージェントがエージェントの数の変化にかかわらず、より協調的で洗練された戦略を開発できる様々な協調シナリオにおいて、我々のモデルの堅牢性を裏付けるものである。

関連論文リスト

• Scaling Large-Language-Model-based Multi-Agent Collaboration [75.5241464256688]
  大規模言語モデルによるエージェントのパイオニア化は、マルチエージェントコラボレーションの設計パターンを暗示している。 神経スケーリング法則に触発された本研究では,マルチエージェント協調におけるエージェントの増加に類似の原理が適用されるかを検討する。
  論文  参考訳（メタデータ） (2024-06-11T11:02:04Z)
• Learning Multi-Agent Communication from Graph Modeling Perspective [62.13508281188895]
  本稿では,エージェント間の通信アーキテクチャを学習可能なグラフとして概念化する手法を提案する。 提案手法であるCommFormerは,通信グラフを効率よく最適化し,勾配降下によるアーキテクチャパラメータをエンドツーエンドで並列に洗練する。
  論文  参考訳（メタデータ） (2024-05-14T12:40:25Z)
• Decentralized and Lifelong-Adaptive Multi-Agent Collaborative Learning [57.652899266553035]
  分散型および生涯適応型多エージェント協調学習は、中央サーバを使わずに複数のエージェント間のコラボレーションを強化することを目的としている。 動的協調グラフを用いた分散マルチエージェント生涯協調学習アルゴリズムであるDeLAMAを提案する。
  論文  参考訳（メタデータ） (2024-03-11T09:21:11Z)
• Multi-agent Communication with Graph Information Bottleneck under Limited Bandwidth (a position paper) [92.11330289225981]
  多くの実世界のシナリオでは、通信は高価であり、マルチエージェントシステムの帯域幅には一定の制約がある。 通信資源を占有する冗長なメッセージは、情報的メッセージの送信をブロックし、パフォーマンスを損なう。 本稿では,通信グラフ内の構造情報とノード情報を効果的に圧縮し,帯域幅に制約のある設定に対処する,新しいマルチエージェント通信モジュールCommGIBを提案する。
  論文  参考訳（メタデータ） (2021-12-20T07:53:44Z)
• Distributed Adaptive Learning Under Communication Constraints [54.22472738551687]
  本研究では,コミュニケーション制約下での運用を目的とした適応型分散学習戦略について検討する。 我々は,ストリーミングデータの連続的な観察から,オンライン最適化問題を解決しなければならないエージェントのネットワークを考える。
  論文  参考訳（メタデータ） (2021-12-03T19:23:48Z)
• The Emergence of Adversarial Communication in Multi-Agent Reinforcement Learning [6.18778092044887]
  多くの現実世界の問題は、複数の自律エージェントの調整を必要とする。 最近の研究は、複雑なマルチエージェント協調を可能にする明示的なコミュニケーション戦略を学ぶためのグラフニューラルネットワーク(GNN)の約束を示している。 一つの利己的なエージェントが高度に操作的なコミュニケーション戦略を学習し、協調的なエージェントチームを大幅に上回っていることを示す。
  論文  参考訳（メタデータ） (2020-08-06T12:48:08Z)
• Counterfactual Multi-Agent Reinforcement Learning with Graph Convolution Communication [5.5438676149999075]
  本稿では,エージェントが協調してシステムの有用性を最大化する,完全協調型マルチエージェントシステムについて考察する。 マルチエージェントシステムには,エージェント間の相互作用を伝達し,理解する能力が必要である。 エージェント間の通信を可能にするアーキテクチャを開発し,各エージェントに対するシステム報酬を調整する。
  論文  参考訳（メタデータ） (2020-04-01T14:36:13Z)
• A Visual Communication Map for Multi-Agent Deep Reinforcement Learning [7.003240657279981]
  マルチエージェント学習は、隠蔽された通信媒体を割り当てる上で大きな課題となる。 最近の研究は一般的に、エージェント間の通信を可能にするために、特殊なニューラルネットワークと強化学習を組み合わせる。 本稿では,多数のエージェントを扱うだけでなく,異種機能エージェント間の協調を可能にする,よりスケーラブルなアプローチを提案する。
  論文  参考訳（メタデータ） (2020-02-27T02:38:21Z)
• Learning Multi-Agent Coordination through Connectivity-driven Communication [7.462336024223669]
  人工マルチエージェントシステムでは、エージェントのコミュニケーションスキルに基づいて協調的なポリシーを学習することができる。 我々は、深い強化学習アプローチであるコネクティビティ駆動通信(CDC)を提案する。 CDCは効果的な協調政策を学習でき、協調ナビゲーションタスクにおいて競合する学習アルゴリズムをオーバーパフォーマンスさせることができる。
  論文  参考訳（メタデータ） (2020-02-12T20:58:33Z)

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。