論文の概要: InfluenceNet: AI Models for Banzhaf and Shapley Value Prediction
- arxiv url: http://arxiv.org/abs/2503.08381v1
- Date: Tue, 11 Mar 2025 12:40:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-12 15:41:46.362036
- Title: InfluenceNet: AI Models for Banzhaf and Shapley Value Prediction
- Title（参考訳）: InfluenceNet: BanzhafとShapley値予測のためのAIモデル
- Authors: Benjamin Kempinski, Tal Kachman,
- Abstract要約: 本稿では,投票用パワー指標を効率的に推定するニューラルネットワークに基づく新しい手法を提案する。
この手法は、既存の計算ボトルネックに対処するだけでなく、大規模連立の迅速な分析を可能にする。
- 参考スコア（独自算出の注目度）: 2.07180164747172
- License:
- Abstract: Power indices are essential in assessing the contribution and influence of individual agents in multi-agent systems, providing crucial insights into collaborative dynamics and decision-making processes. While invaluable, traditional computational methods for exact or estimated power indices values require significant time and computational constraints, especially for large $(n\ge10)$ coalitions. These constraints have historically limited researchers' ability to analyse complex multi-agent interactions comprehensively. To address this limitation, we introduce a novel Neural Networks-based approach that efficiently estimates power indices for voting games, demonstrating comparable and often superiour performance to existing tools in terms of both speed and accuracy. This method not only addresses existing computational bottlenecks, but also enables rapid analysis of large coalitions, opening new avenues for multi-agent system research by overcoming previous computational limitations and providing researchers with a more accessible, scalable analytical tool.This increased efficiency will allow for the analysis of more complex and realistic multi-agent scenarios.
- Abstract（参考訳）: パワー指標は、多エージェントシステムにおける個々のエージェントの貢献と影響を評価するのに不可欠であり、協調力学と意思決定プロセスに関する重要な洞察を提供する。
特に大きな$(n\ge10)$連立では、計算時間や計算の制約がかなり必要である。
これらの制約は歴史的に研究者の複雑なマルチエージェント相互作用を包括的に分析する能力に制限されている。
この制限に対処するために、我々は新しいニューラルネットワークベースのアプローチを導入し、投票用パワー指標を効率的に推定し、スピードと精度の両面で既存のツールに匹敵する、そしてしばしば過度なパフォーマンスを示す。
この方法は、既存の計算ボトルネックに対処するだけでなく、より複雑で現実的なマルチエージェントシナリオの分析を可能にするため、従来の計算制限を克服し、研究者によりアクセスしやすくスケーラブルな分析ツールを提供することにより、大規模連立の迅速な分析を可能にしている。
関連論文リスト
- Optimization and Learning in Open Multi-Agent Systems [1.0249620437941]
本稿では,「オープンネットワーク」における多種多様な問題に対処する新しい分散アルゴリズムを提案する。
提案アルゴリズムは動的コンセンサス(英語版)の解決や,興味のあるメトリクスの追跡に使用される。
論文 参考訳（メタデータ） (2025-01-28T10:40:09Z) - Distributed Cooperative AI for Large-Scale Eigenvalue Computations Using Neural Networks [0.0]
本稿では,分散協調型ニューラルネットワークを用いた固有値計算手法を提案する。
我々のアルゴリズムは、複数の自律エージェントが大きな行列の最小固有値を協調的に推定することを可能にする。
論文 参考訳（メタデータ） (2024-09-10T09:26:55Z) - It Is Time To Steer: A Scalable Framework for Analysis-driven Attack Graph Generation [50.06412862964449]
アタックグラフ(AG)は、コンピュータネットワークに対するマルチステップ攻撃に対するサイバーリスクアセスメントをサポートする最も適したソリューションである。
現在の解決策は、アルゴリズムの観点から生成問題に対処し、生成が完了した後のみ解析を仮定することである。
本稿では,アナリストがいつでもシステムに問い合わせることのできる新しいワークフローを通じて,従来のAG分析を再考する。
論文 参考訳（メタデータ） (2023-12-27T10:44:58Z) - Partially Observable Multi-Agent Reinforcement Learning with Information Sharing [33.145861021414184]
部分的に観察可能なゲーム(POSG)の一般的な枠組みにおける証明可能なマルチエージェント強化学習(RL)について検討する。
我々は,エージェント間での情報共有の可能性,経験的マルチエージェントRLにおける一般的な実践,コミュニケーションを伴うマルチエージェント制御システムの標準モデルを活用することを提唱する。
論文 参考訳（メタデータ） (2023-08-16T23:42:03Z) - Factorization of Multi-Agent Sampling-Based Motion Planning [72.42734061131569]
現代のロボティクスは、共有環境内で複数のエンボディエージェントを動作させることが多い。
標準的なサンプリングベースのアルゴリズムは、ロボットの関節空間における解の探索に使用できる。
我々は、因子化の概念をサンプリングベースアルゴリズムに統合し、既存の手法への最小限の変更しか必要としない。
本稿では, PRM* のサンプル複雑性の観点から解析的ゲインを導出し, RRG の実証結果を示す。
論文 参考訳（メタデータ） (2023-04-01T15:50:18Z) - Scalable Vehicle Re-Identification via Self-Supervision [66.2562538902156]
自動車再同定は、都市規模の車両分析システムにおいて重要な要素の1つである。
車両再設計のための最先端のソリューションの多くは、既存のre-idベンチマークの精度向上に重点を置いており、計算の複雑さを無視することが多い。
推論時間に1つのネットワークのみを使用する自己教師型学習によって、シンプルで効果的なハイブリッドソリューションを提案する。
論文 参考訳（メタデータ） (2022-05-16T12:14:42Z) - Distributed intelligence on the Edge-to-Cloud Continuum: A systematic
literature review [62.997667081978825]
このレビューは、現在利用可能な機械学習とデータ分析のための最先端ライブラリとフレームワークに関する包括的なビジョンを提供することを目的としている。
現在利用可能なEdge-to-Cloud Continuumに関する実験的な研究のための、主要なシミュレーション、エミュレーション、デプロイメントシステム、テストベッドも調査されている。
論文 参考訳（メタデータ） (2022-04-29T08:06:05Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳（メタデータ） (2021-07-08T18:01:02Z) - A Survey of Quantization Methods for Efficient Neural Network Inference [75.55159744950859]
量子化は、必要なビット数を最小限に抑えるために、固定された離散数の集合に連続実数値を分散する問題である。
近年、コンピュータビジョン、自然言語処理、関連分野でのニューラルネットワークモデルの顕著な性能のために最前線に達しています。
浮動小数点表現から4ビット以下の低精度固定整数値への移行は、メモリフットプリントとレイテンシを16倍削減する可能性を秘めている。
論文 参考訳（メタデータ） (2021-03-25T06:57:11Z) - Comparative Analysis of Polynomial and Rational Approximations of
Hyperbolic Tangent Function for VLSI Implementation [5.429955391775968]
ディープニューラルネットワークは、多くのコンピュータビジョンや、オブジェクト検出や音声認識などのヒューマンマシンインタフェースアプリケーションにおいて、最先端の結果をもたらす。
これらのネットワークは計算コストがかかるため、より低コストで必要な性能を達成するためにカスタマイズされたアクセラレータが設計されている。
論文 参考訳（メタデータ） (2020-07-13T07:31:02Z)
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。