論文の概要: Solving Urban Network Security Games: Learning Platform, Benchmark, and Challenge for AI Research

• arxiv url: http://arxiv.org/abs/2501.17559v1
• Date: Wed, 29 Jan 2025 10:46:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-30 15:53:29.131464
• Title: Solving Urban Network Security Games: Learning Platform, Benchmark, and Challenge for AI Research
• Title（参考訳）: 都市ネットワークセキュリティゲームの解決 - AI研究のための学習プラットフォーム、ベンチマーク、課題
• Authors: Shuxin Zhuang, Shuxin Li, Tianji Yang, Muheng Li, Xianjie Shi, Bo An, Youzhi Zhang,
• Abstract要約: 本稿では,現実のシナリオをモデル化したUrban Network Security Games (textbfUNSG) を解くためのマルチプレイヤーゲームプラットフォームを提案する。 複数の警察官と逃亡犯とのこの相互作用は、UNSGとしてモデル化できる。 このゲームを解く主な課題は、ゲームの大きさと協力と競争の共存である。
• 参考スコア（独自算出の注目度）: 17.852935212709134
• License:
• Abstract: After the great achievement of solving two-player zero-sum games, more and more AI researchers focus on solving multiplayer games. To facilitate the development of designing efficient learning algorithms for solving multiplayer games, we propose a multiplayer game platform for solving Urban Network Security Games (\textbf{UNSG}) that model real-world scenarios. That is, preventing criminal activity is a highly significant responsibility assigned to police officers in cities, and police officers have to allocate their limited security resources to interdict the escaping criminal when a crime takes place in a city. This interaction between multiple police officers and the escaping criminal can be modeled as a UNSG. The variants of UNSGs can model different real-world settings, e.g., whether real-time information is available or not, and whether police officers can communicate or not. The main challenges of solving this game include the large size of the game and the co-existence of cooperation and competition. While previous efforts have been made to tackle UNSGs, they have been hampered by performance and scalability issues. Therefore, we propose an open-source UNSG platform (\textbf{GraphChase}) for designing efficient learning algorithms for solving UNSGs. Specifically, GraphChase offers a unified and flexible game environment for modeling various variants of UNSGs, supporting the development, testing, and benchmarking of algorithms. We believe that GraphChase not only facilitates the development of efficient algorithms for solving real-world problems but also paves the way for significant advancements in algorithmic development for solving general multiplayer games.
• Abstract（参考訳）: 2人のプレイヤーがゼロサムゲームを解くという大きな成果の後、AI研究者はますます、マルチプレイヤーゲームを解くことに重点を置いている。 マルチプレイヤーゲームのための効率的な学習アルゴリズムの設計を容易にするため,実世界のシナリオをモデル化するUrban Network Security Games (\textbf{UNSG}) を解くマルチプレイヤーゲームプラットフォームを提案する。 つまり、犯罪行為の防止は、都市の警察官に割り当てられた極めて重要な責任であり、警察官は、都市で犯罪が発生した場合、逃走する犯罪者を妨害するために、限られた警備資源を割り当てなければならない。 複数の警察官と逃亡犯とのこの相互作用は、UNSGとしてモデル化できる。 UNSGの変種は、例えば、リアルタイム情報が利用可能かどうか、警察官が通信可能かどうかなど、異なる現実世界の設定をモデル化することができる。 このゲームを解く主な課題は、ゲームの大きさと協力と競争の共存である。 UNSGに対処するための以前の取り組みではあったが、パフォーマンスとスケーラビリティの問題によって妨げられている。 そこで我々は,UNSGを解くための効率的な学習アルゴリズムを設計するためのオープンソースUNSGプラットフォーム(\textbf{GraphChase})を提案する。 具体的には、GraphChaseはUNSGの様々なバリエーションをモデリングし、アルゴリズムの開発、テスト、ベンチマークをサポートする統一的で柔軟なゲーム環境を提供する。 GraphChaseは、現実の問題を解決するための効率的なアルゴリズムの開発を促進するだけでなく、汎用マルチプレイヤーゲームのためのアルゴリズム開発における大きな進歩の道を開いたと信じている。

関連論文リスト

• Playing Hex and Counter Wargames using Reinforcement Learning and Recurrent Neural Networks [0.0]
  HexとCounter Wargamesは、複雑な戦略決定を必要とする実際の軍事紛争の敵対的な2人のプレイヤーシミュレーションである。 本稿では,HexとCounter Wargamesの戦略的複雑さに対処する新しいシステムを提案する。 このシステムは、信頼性の高い現代強化学習アルゴリズムであるAlphaZeroを用いて、リカレントニューラルネットワークにおける最先端の進歩を取り入れている。
  論文  参考訳（メタデータ） (2025-02-19T17:52:45Z)
• A Multiagent Path Search Algorithm for Large-Scale Coalition Structure Generation [61.08720171136229]
  結合構造生成はマルチエージェントシステムにおける基本的な計算問題である。 我々はCSGの多エージェントパス探索アルゴリズムであるSALDAEを開発し、連立構造グラフ上で運用する。
  論文  参考訳（メタデータ） (2025-02-14T15:21:27Z)
• Neural Population Learning beyond Symmetric Zero-sum Games [52.20454809055356]
  我々はNuPL-JPSROという,スキルの伝達学習の恩恵を受けるニューラル集団学習アルゴリズムを導入し,ゲームの粗相関(CCE)に収束する。 本研究は, 均衡収束型集団学習を大規模かつ汎用的に実施可能であることを示す。
  論文  参考訳（メタデータ） (2024-01-10T12:56:24Z)
• MindAgent: Emergent Gaming Interaction [103.73707345211892]
  大規模言語モデル(LLM)は、マルチエージェントシステムで複雑なスケジューリングを行う能力を持つ。 我々はMindAgentを提案し,ゲームインタラクションにおける創発的能力の評価・調整を行う。
  論文  参考訳（メタデータ） (2023-09-18T17:52:22Z)
• Graph Neural Networks for Decentralized Multi-Agent Perimeter Defense [111.9039128130633]
  我々は,防御者の地域認識とコミュニケーショングラフから行動へのマッピングを学習する模倣学習フレームワークを開発した。 学習ネットワークの性能を実証するために、異なるチームサイズと構成のシナリオで周辺防衛ゲームを実行します。
  論文  参考訳（メタデータ） (2023-01-23T19:35:59Z)
• Efficient Cooperation Strategy Generation in Multi-Agent Video Games via Hypergraph Neural Network [16.226702761758595]
  シングルエージェントビデオゲームにおける深層強化学習のパフォーマンスは驚くべきものだ。 しかし、研究者はマルチエージェント環境でビデオゲームを扱う際にさらに困難を抱えている。 本稿では,エージェントのハイパーグラフ構造に適応し,エージェント間の情報特徴抽出と表現の完全化にハイパーグラフ畳み込みを利用するアクタ・クリティック法に基づく新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-07T10:34:40Z)
• Generating Diverse and Competitive Play-Styles for Strategy Games [58.896302717975445]
  ターン型戦略ゲーム(Tribes)のためのプログレッシブアンプランによるPortfolio Monte Carlo Tree Searchを提案する。 品質分散アルゴリズム(MAP-Elites)を使用して異なるプレイスタイルを実現し、競争レベルを維持しながらパラメータ化する方法を示します。 その結果,このアルゴリズムは,トレーニングに用いるレベルを超えて,幅広いゲームレベルにおいても,これらの目標を達成できることが示された。
  論文  参考訳（メタデータ） (2021-04-17T20:33:24Z)
• Deep Policy Networks for NPC Behaviors that Adapt to Changing Design Parameters in Roguelike Games [137.86426963572214]
  例えばRoguelikesのようなターンベースの戦略ゲームは、Deep Reinforcement Learning(DRL)にユニークな課題を提示する。 複雑なカテゴリ状態空間をより適切に処理し、設計決定によって強制的に再訓練する必要性を緩和する2つのネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-12-07T08:47:25Z)
• Finding Core Members of Cooperative Games using Agent-Based Modeling [0.0]
  エージェント・ベース・モデリング(ABM)は、社会現象の洞察を得るための強力なパラダイムである。 本稿では,エージェントが連立関係を見つけられるように,AIMに組み込むアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-08-30T17:38:43Z)
• Testing match-3 video games with Deep Reinforcement Learning [0.0]
  そこで本研究では,Match-3 ゲームにおいて,Deep Reinforcement Learning を用いてテストプロセスを自動化する可能性について検討する。 我々は,レッドビットゲームズが開発したMatch-3ゲームであるJelly Juiceゲーム上で,この種のネットワークをテストする。
  論文  参考訳（メタデータ） (2020-06-30T12:41:35Z)
• Algorithms in Multi-Agent Systems: A Holistic Perspective from Reinforcement Learning and Game Theory [2.5147566619221515]
  近年では深い強化学習が顕著な成果を上げている。 最近の研究は、シングルエージェントのシナリオを越えて学習を検討し、マルチエージェントのシナリオを検討しています。 従来のゲーム理論アルゴリズムは、現代的なアルゴリズムと組み合わせた明るいアプリケーションの約束を示し、計算能力を高める。
  論文  参考訳（メタデータ） (2020-01-17T15:08:04Z)

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。