論文の概要: Selective Experience Sharing in Reinforcement Learning Enhances Interference Management

• arxiv url: http://arxiv.org/abs/2501.15735v1
• Date: Mon, 27 Jan 2025 02:18:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:54:20.218781
• Title: Selective Experience Sharing in Reinforcement Learning Enhances Interference Management
• Title（参考訳）: 強化学習における選択的経験共有は干渉管理を促進する
• Authors: Madan Dahal, Mojtaba Vaezi,
• Abstract要約: 細胞間干渉軽減のためのマルチエージェント強化学習手法を提案する。 エージェントは他のエージェントと自分の経験を選択的に共有する。 提案アルゴリズムは,全ての経験を共有するアルゴリズムによって得られるスペクトル効率の98%を達成する。
• 参考スコア（独自算出の注目度）: 6.071146161035648
• License:
• Abstract: We propose a novel multi-agent reinforcement learning (RL) approach for inter-cell interference mitigation, in which agents selectively share their experiences with other agents. Each base station is equipped with an agent, which receives signal-to-interference-plus-noise ratio from its own associated users. This information is used to evaluate and selectively share experiences with neighboring agents. The idea is that even a few pertinent experiences from other agents can lead to effective learning. This approach enables fully decentralized training and execution, minimizes information sharing between agents and significantly reduces communication overhead, which is typically the burden of interference management. The proposed method outperforms state-of-the-art multi-agent RL techniques where training is done in a decentralized manner. Furthermore, with a 75% reduction in experience sharing, the proposed algorithm achieves 98% of the spectral efficiency obtained by algorithms sharing all experiences.
• Abstract（参考訳）: エージェントが他のエージェントと経験を選択的に共有する、細胞間干渉軽減のための新しいマルチエージェント強化学習(RL)手法を提案する。 各基地局は、それに関連するユーザから信号対干渉+雑音比を受信するエージェントを備える。 この情報は、近隣のエージェントと経験を選択的に評価し、共有するために使用される。 アイデアは、他のエージェントからのいくつかの関連する経験でさえ、効果的な学習につながる、ということです。 このアプローチは、完全に分散されたトレーニングと実行を可能にし、エージェント間の情報共有を最小化し、通信オーバーヘッドを大幅に削減する。 提案手法は、訓練を分散的に行う、最先端のマルチエージェントRL技術より優れている。 さらに、経験共有の75%削減により、提案アルゴリズムは全ての経験を共有するアルゴリズムによって得られるスペクトル効率の98%を達成する。

関連論文リスト

• From Novice to Expert: LLM Agent Policy Optimization via Step-wise Reinforcement Learning [62.54484062185869]
  本稿では,エージェントの強化学習プロセスの最適化にステップワイド報酬を利用するStepAgentを紹介する。 エージェント反射とポリシー調整を容易にする暗黙の逆・逆の強化学習手法を提案する。
  論文  参考訳（メタデータ） (2024-11-06T10:35:11Z)
• Fully Decentralized Cooperative Multi-Agent Reinforcement Learning: A Survey [48.77342627610471]
  協調型マルチエージェント強化学習は多くの実世界の協調作業を解決する強力なツールである。 完全に分散した環境で最適な共同政策に収束できるアルゴリズムを導出することは困難である。
  論文  参考訳（メタデータ） (2024-01-10T05:07:42Z)
• Selectively Sharing Experiences Improves Multi-Agent Reinforcement Learning [9.25057318925143]
  エージェントは他のエージェントと、トレーニング中に観察される遷移の限られた数で共有する、新しいマルチエージェントRLアプローチを提案する。 提案手法は,ベースラインの非共有型分散トレーニングと最先端のマルチエージェントRLアルゴリズムより優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-01T21:35:32Z)
• Quantifying Agent Interaction in Multi-agent Reinforcement Learning for Cost-efficient Generalization [63.554226552130054]
  マルチエージェント強化学習(MARL)における一般化の課題 エージェントが未確認のコプレイヤーに影響される程度は、エージェントのポリシーと特定のシナリオに依存する。 与えられたシナリオと環境におけるエージェント間の相互作用強度を定量化する指標であるLoI(Level of Influence)を提示する。
  論文  参考訳（メタデータ） (2023-10-11T06:09:26Z)
• Deep Multi-Agent Reinforcement Learning for Decentralized Active Hypothesis Testing [11.639503711252663]
  我々は,深層多エージェント強化学習の枠組みに根ざした新しいアルゴリズムを導入することで,マルチエージェント能動仮説テスト(AHT)問題に取り組む。 エージェントが協調戦略を学習し、性能を向上させる能力を効果的に示す実験結果を包括的に提示する。
  論文  参考訳（メタデータ） (2023-09-14T01:18:04Z)
• Explaining Reinforcement Learning Policies through Counterfactual Trajectories [147.7246109100945]
  人間の開発者は、RLエージェントがテスト時にうまく機能することを検証しなければならない。 本手法では, エージェントの挙動をより広い軌道分布で示すことにより, エージェントの挙動を分布変化下で表現する。 本研究では,2つのエージェント検証タスクのうちの1つに対して,ベースライン法よりも優れたスコアを得られることを示す。
  論文  参考訳（メタデータ） (2022-01-29T00:52:37Z)
• Learning Cooperative Multi-Agent Policies with Partial Reward Decoupling [13.915157044948364]
  マルチエージェント強化学習をスケールする上で重要な障害の1つは、個々のエージェントの行動にクレジットを割り当てることである。 本稿では,このクレジット代入問題に対して,PRD(textitpartial reward decoupling)と呼ぶアプローチで対処する。 PRDは、大規模な協調的マルチエージェントRL問題を、エージェントのサブセットを含む分離されたサブプロブレムに分解し、クレジット割り当てを単純化する。
  論文  参考訳（メタデータ） (2021-12-23T17:48:04Z)
• PEBBLE: Feedback-Efficient Interactive Reinforcement Learning via Relabeling Experience and Unsupervised Pre-training [94.87393610927812]
  我々は、フィードバックと非政治学習の両方の長所を生かした、非政治的、インタラクティブな強化学習アルゴリズムを提案する。 提案手法は,従来ヒト・イン・ザ・ループ法で検討されていたよりも複雑度の高いタスクを学習可能であることを実証する。
  論文  参考訳（メタデータ） (2021-06-09T14:10:50Z)
• Scalable Multi-Agent Inverse Reinforcement Learning via Actor-Attention-Critic [54.2180984002807]
  マルチエージェント逆逆強化学習 (MA-AIRL) は, 単エージェントAIRLをマルチエージェント問題に適用する最近の手法である。 本稿では,従来の手法よりもサンプル効率が高く,スケーラブルなマルチエージェント逆RLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-02-24T20:30:45Z)
• Resource Management in Wireless Networks via Multi-Agent Deep Reinforcement Learning [15.091308167639815]
  マルチエージェント深部強化学習(RL)を用いた無線ネットワークにおける分散リソース管理と干渉軽減機構を提案する。 ネットワーク内の各送信機に深部RLエージェントを装備し、それに関連するユーザからの遅延観測を受信するとともに、近隣のエージェントと観測を交換する。 提案フレームワークは,エージェントが他のエージェントの同時決定を知らずに,同時かつ分散的に意思決定を行うことを可能にする。
  論文  参考訳（メタデータ） (2020-02-14T19:01:07Z)

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。