Fugu-MT 論文翻訳(概要): Fully-Decentralized MADDPG with Networked Agents

論文の概要: Fully-Decentralized MADDPG with Networked Agents

arxiv url: http://arxiv.org/abs/2503.06747v1
Date: Sun, 09 Mar 2025 20:05:32 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-11 15:50:30.273391
Title: Fully-Decentralized MADDPG with Networked Agents
Title（参考訳）: ネットワークエージェントを用いた完全分散MADDPG
Authors: Diego Bolliger, Lorenz Zauter, Robert Ziegler,
Abstract要約: 我々はエージェント間のネットワーク通信アプローチを適用し,MADDPGアルゴリズムを適用した。我々は,訓練中の通信を可能とし,訓練を分散化するために代理政策を導入する。分散化アルゴリズムは、計算コストを削減しつつ、経験的テストにおいて元のMADDPGに匹敵する結果を得る。
参考スコア（独自算出の注目度）: 0.5266869303483376
License:
Abstract: In this paper, we devise three actor-critic algorithms with decentralized training for multi-agent reinforcement learning in cooperative, adversarial, and mixed settings with continuous action spaces. To this goal, we adapt the MADDPG algorithm by applying a networked communication approach between agents. We introduce surrogate policies in order to decentralize the training while allowing for local communication during training. The decentralized algorithms achieve comparable results to the original MADDPG in empirical tests, while reducing computational cost. This is more pronounced with larger numbers of agents.
Abstract（参考訳）: 本稿では,多エージェント強化学習のための分散学習を施した3つのアクター批判アルゴリズムを,協調的,敵対的,かつ連続的な行動空間との混合的な設定で考案する。この目的のために,エージェント間のネットワーク通信アプローチを適用し,MADDPGアルゴリズムを適用した。我々は,訓練中の通信を可能とし,訓練を分散化するために代理政策を導入する。分散化アルゴリズムは、計算コストを削減しつつ、経験的テストにおいて元のMADDPGに匹敵する結果を得る。これはより多くのエージェントで発音される。

関連論文リスト

Distributed Value Decomposition Networks with Networked Agents [3.8779763612314633]
エージェントワイズQ関数に分解する結合Q関数を生成する分散値分解ネットワーク(DVDN)を提案する。 DVDNは、共有目的を局所的に推定することで、集中的なトレーニングの必要性を克服する。実証的に、両アルゴリズムは通信中の情報損失にもかかわらず、値分解ネットワークの性能を近似する。
論文参考訳（メタデータ） (2025-02-11T15:23:05Z)
Reducing Variance Caused by Communication in Decentralized Multi-agent Deep Reinforcement Learning [2.1461517065527445]
政策グラデーションにおけるコミュニケーションによって引き起こされる分散について検討する。トレーニング中の方針勾配のばらつきを低減するためのモジュラー手法を提案する。その結果,提案手法により分散MADRL通信方式が拡張された。
論文参考訳（メタデータ） (2025-02-10T08:53:13Z)
Cluster-Based Multi-Agent Task Scheduling for Space-Air-Ground Integrated Networks [60.085771314013044]
低高度経済は、コミュニケーションやセンシングなどの分野で発展する大きな可能性を秘めている。本稿では,SAGINにおけるマルチUAV協調タスクスケジューリング問題に対処するため,クラスタリングに基づく多エージェントDeep Deterministic Policy Gradient (CMADDPG)アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-12-14T06:17:33Z)
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)
Consensus Learning for Cooperative Multi-Agent Reinforcement Learning [12.74348597962689]
協調型マルチエージェント強化学習のためのコンセンサス学習を提案する。我々は、エージェントのネットワークへの明示的な入力として、推論されたコンセンサスをフィードする。提案手法は,様々なマルチエージェント強化学習アルゴリズムに拡張することができる。
論文参考訳（メタデータ） (2022-06-06T12:43:07Z)
Scalable Multi-Agent Model-Based Reinforcement Learning [1.95804735329484]
我々は,モデルベース強化学習(MBRL)を用いて協調環境における集中型トレーニングをさらに活用するMAMBAという新しい手法を提案する。エージェント間のコミュニケーションは、実行期間中に各エージェントのワールドモデルを維持するのに十分であり、一方、仮想ロールアウトはトレーニングに使用でき、環境と対話する必要がなくなる。
論文参考訳（メタデータ） (2022-05-25T08:35:00Z)
Emergence of Theory of Mind Collaboration in Multiagent Systems [65.97255691640561]
ToMとエージェント間の効果的な協調を開発するための適応的学習アルゴリズムを提案する。アルゴリズムはToMをモデル化せずに従来の分散実行アルゴリズムを全て上回る2つのゲームで評価する。
論文参考訳（メタデータ） (2021-09-30T23:28:00Z)
Mean-Field Multi-Agent Reinforcement Learning: A Decentralized Network Approach [6.802025156985356]
本稿では,MARLを状態ネットワークで学習するために,局所学習と分散実行というフレームワークを提案する。鍵となる考え方は、エージェントの均質性を利用し、それらの状態に応じてそれらを再分類することであり、それによってネットワーク化されたマルコフ決定過程が定式化される。
論文参考訳（メタデータ） (2021-08-05T16:52:36Z)
Adaptive Serverless Learning [114.36410688552579]
本研究では,データから学習率を動的に計算できる適応型分散学習手法を提案する。提案アルゴリズムは, 作業者数に対して線形高速化が可能であることを示す。通信効率のオーバーヘッドを低減するため,通信効率のよい分散訓練手法を提案する。
論文参考訳（メタデータ） (2020-08-24T13:23:02Z)
F2A2: Flexible Fully-decentralized Approximate Actor-critic for Cooperative Multi-agent Reinforcement Learning [110.35516334788687]
分散マルチエージェント強化学習アルゴリズムは複雑なアプリケーションでは実践的でないことがある。本稿では,大規模で汎用的なマルチエージェント設定を扱える,柔軟な完全分散型アクター批判型MARLフレームワークを提案する。当社のフレームワークは,大規模環境におけるスケーラビリティと安定性を実現し,情報伝達を低減できる。
論文参考訳（メタデータ） (2020-04-17T14:56:29Z)
Decentralized MCTS via Learned Teammate Models [89.24858306636816]
本稿では,モンテカルロ木探索に基づくトレーニング可能なオンライン分散計画アルゴリズムを提案する。深層学習と畳み込みニューラルネットワークを用いて正確なポリシー近似を作成可能であることを示す。
論文参考訳（メタデータ） (2020-03-19T13:10:20Z)

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。