論文の概要: A MARL-based Approach for Easing MAS Organization Engineering

• arxiv url: http://arxiv.org/abs/2506.05437v1
• Date: Thu, 05 Jun 2025 09:59:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 21:34:56.739906
• Title: A MARL-based Approach for Easing MAS Organization Engineering
• Title（参考訳）: MARLに基づくMAS組織工学の実践
• Authors: Julien Soulé, Jean-Paul Jamont, Michel Occello, Louis-Marie Traonouez, Paul Théron,
• Abstract要約: マルチエージェントシステム(MAS)は、複雑で分散した問題に対処する能力のために、業界で成功している。 デプロイ環境での高複雑性と低可読性により、これらの手法の適用はコストがかかるか、安全性の懸念が高まる。 AOMEAは、MARL(Multi-Agent Reinforcement Learning)プロセスと組織モデルを組み合わせて、関連する組織仕様を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multi-Agent Systems (MAS) have been successfully applied in industry for their ability to address complex, distributed problems, especially in IoT-based systems. Their efficiency in achieving given objectives and meeting design requirements is strongly dependent on the MAS organization during the engineering process of an application-specific MAS. To design a MAS that can achieve given goals, available methods rely on the designer's knowledge of the deployment environment. However, high complexity and low readability in some deployment environments make the application of these methods to be costly or raise safety concerns. In order to ease the MAS organization design regarding those concerns, we introduce an original Assisted MAS Organization Engineering Approach (AOMEA). AOMEA relies on combining a Multi-Agent Reinforcement Learning (MARL) process with an organizational model to suggest relevant organizational specifications to help in MAS engineering.
• Abstract（参考訳）: マルチエージェントシステム(MAS)は、特にIoTベースのシステムにおいて、複雑な分散問題に対処する能力のために、業界で成功している。 所定の目的を達成するための効率と設計要件を満たすことは、アプリケーション固有のMASのエンジニアリングプロセスにおいて、MAS組織に強く依存する。 所定の目標を達成するためのMASを設計するには、利用可能なメソッドは、デザイナのデプロイメント環境に関する知識に依存します。 しかしながら、一部のデプロイメント環境での高複雑性と低可読性により、これらの手法の適用はコストがかかるか、安全性の懸念が高まる。 そこで我々は,MASの組織設計を容易にするため,AOMEA(Assisted MAS Organization Engineering Approach)を導入する。 AOMEAは、MARL(Multi-Agent Reinforcement Learning)プロセスと組織モデルを組み合わせて、MASエンジニアリングを支援するための関連する組織仕様を提案する。

関連論文リスト

• MAS-ZERO: Designing Multi-Agent Systems with Zero Supervision [76.42361936804313]
  自動MAS設計のための自己進化型推論時間フレームワークMAS-ZEROを紹介する。 MAS-ZEROはメタレベルの設計を採用し、各問題インスタンスに適したMAS構成を反復的に生成し、評価し、洗練する。
  論文  参考訳（メタデータ） (2025-05-21T00:56:09Z)
• Facilitating Trustworthy Human-Agent Collaboration in LLM-based Multi-Agent System oriented Software Engineering [3.8073142980733]
  マルチエージェント自律システム(MAS)は、単一の自律エージェントよりも複数のドメインにまたがる課題に対処する上で優れている。 ソフトウェア工学(SE)におけるMASに関する最先端の研究は、LMAシステムを構築するための自律エージェントのコアにLLMを統合することに焦点を当てている。 主な課題の1つは、人間とLMAシステム間のタスクを信頼できる方法で戦略的に割り当てることである。 RACIベースのフレームワークは、実装ガイドラインとフレームワークのサンプル実装とともに、現在進行中の論文で提案されている。
  論文  参考訳（メタデータ） (2025-05-07T08:55:15Z)
• An LLM-enabled Multi-Agent Autonomous Mechatronics Design Framework [49.633199780510864]
  本研究は, 機械設計, 最適化, エレクトロニクス, ソフトウェア工学の専門知識を統合した多エージェント自律メカトロニクス設計フレームワークを提案する。 このフレームワークは、言語駆動のワークフローを通じて運用され、構造化された人間のフィードバックを組み込んで、現実世界の制約下での堅牢なパフォーマンスを保証する。 完全に機能する自律型容器は、最適化された推進、コスト効率の高い電子機器、高度な制御を備えていた。
  論文  参考訳（メタデータ） (2025-04-20T16:57:45Z)
• Towards practicable Machine Learning development using AI Engineering Blueprints [0.8654896256058138]
  中小規模企業(中小企業)は、製品やプロセスにAIを実装する際に課題に直面します。 本稿では,プロプライエタリ機械学習(ML)モデル作成のための青写真の開発を目的とした研究計画を提案する。
  論文  参考訳（メタデータ） (2025-04-08T19:28:05Z)
• Multi-Agent Reinforcement Learning for Microprocessor Design Space Exploration [71.95914457415624]
  マイクロプロセッサアーキテクトは、高性能でエネルギー効率の追求において、ドメイン固有のカスタマイズにますます頼っている。 この問題に対処するために,Multi-Agent RL (MARL) を利用した別の定式化を提案する。 評価の結果,MARLの定式化は単エージェントRLのベースラインよりも一貫して優れていた。
  論文  参考訳（メタデータ） (2022-11-29T17:10:24Z)
• Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
  機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。 私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。 当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
  論文  参考訳（メタデータ） (2021-01-11T15:54:48Z)
• Technology Readiness Levels for AI & ML [79.22051549519989]
  機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。 エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。 我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
  論文  参考訳（メタデータ） (2020-06-21T17:14:34Z)
• Engineering AI Systems: A Research Agenda [9.84673609667263]
  私たちは、企業が機械学習を採用する際に経験する典型的な進化パターンの概念化を提供します。 論文の主なコントリビューションは、MLソリューションを取り巻く重要なエンジニアリング課題の概要を提供する、AIエンジニアリングに関する研究アジェンダである。
  論文  参考訳（メタデータ） (2020-01-16T20:29:48Z)

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。