論文の概要: The Distribution Shift Problem in Transportation Networks using Reinforcement Learning and AI

• arxiv url: http://arxiv.org/abs/2509.15291v1
• Date: Thu, 18 Sep 2025 17:24:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:10.850463
• Title: The Distribution Shift Problem in Transportation Networks using Reinforcement Learning and AI
• Title（参考訳）: 強化学習とAIを用いた交通ネットワークにおける配電シフト問題
• Authors: Federico Taschin, Abderrahmane Lazaraq, Ozan K. Tonguz, Inci Ozgunes,
• Abstract要約: 我々はMetaLightと呼ばれる最先端のMeta RLアプローチを評価し,分析する。 特定の条件下では、MetaLightは確かに合理的に良い結果をもたらす可能性があるが、他の条件下では、うまく機能しないかもしれないことを示す。
• 参考スコア（独自算出の注目度）: 0.5669790037378093
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The use of Machine Learning (ML) and Artificial Intelligence (AI) in smart transportation networks has increased significantly in the last few years. Among these ML and AI approaches, Reinforcement Learning (RL) has been shown to be a very promising approach by several authors. However, a problem with using Reinforcement Learning in Traffic Signal Control is the reliability of the trained RL agents due to the dynamically changing distribution of the input data with respect to the distribution of the data used for training. This presents a major challenge and a reliability problem for the trained network of AI agents and could have very undesirable and even detrimental consequences if a suitable solution is not found. Several researchers have tried to address this problem using different approaches. In particular, Meta Reinforcement Learning (Meta RL) promises to be an effective solution. In this paper, we evaluate and analyze a state-of-the-art Meta RL approach called MetaLight and show that, while under certain conditions MetaLight can indeed lead to reasonably good results, under some other conditions it might not perform well (with errors of up to 22%), suggesting that Meta RL schemes are often not robust enough and can even pose major reliability problems.
• Abstract（参考訳）: スマートトランスポートネットワークにおける機械学習(ML)と人工知能(AI)の利用は、ここ数年で著しく増加している。 これらのMLとAIアプローチの中で、強化学習(RL)は、何人かの著者によって非常に有望なアプローチであることが示されている。 しかし、信号制御における強化学習の問題点は、訓練に使用するデータの分布に関して、入力データの動的に変化する分布のため、訓練されたRLエージェントの信頼性である。 これは、AIエージェントのトレーニングされたネットワークに対する大きな課題と信頼性の問題を示し、適切なソリューションが見つからなかった場合、非常に望ましくない、さらには有害な結果をもたらす可能性がある。 何人かの研究者が異なるアプローチでこの問題に対処しようと試みている。 特にメタ強化学習(Meta RL)は効果的なソリューションであることを約束します。 本稿では,MetaLightと呼ばれる最先端のMeta RLアプローチの評価と解析を行い,ある条件下ではMetaLightは合理的に良好な結果をもたらすが,他の条件下では(最大22%の誤差で)うまく動作しない可能性があることを示す。

関連論文リスト

• AdaRefiner: Refining Decisions of Language Models with Adaptive Feedback [37.22370177877156]
  大規模言語モデル(LLM)は、様々な領域で大きな成功を収めている。 複雑な意思決定タスクにおけるそれらの応用は、しばしば複雑な迅速なエンジニアリングや微調整を必要とする。 本稿では,LLMとRLフィードバックの相乗効果を高めるために設計された新しいフレームワークであるAdaRefinerを紹介する。 我々の研究は、RLフィードバックによるLLMの自動自己修正に貢献し、複雑な意思決定問題に対してより適応的で効率的なソリューションを提供する。
  論文  参考訳（メタデータ） (2023-09-29T12:16:19Z)
• Train Hard, Fight Easy: Robust Meta Reinforcement Learning [78.16589993684698]
  実世界のアプリケーションにおける強化学習(RL)の大きな課題は、環境、タスク、クライアントの違いである。 標準的なMRL法は、タスクよりも平均的なリターンを最適化するが、リスクや難易度の高いタスクでは悪い結果に悩まされることが多い。 本研究では, MRL の頑健な目標を制御レベルで定義する。 ロバストメタRLアルゴリズム(RoML)を用いてデータ非効率に対処する
  論文  参考訳（メタデータ） (2023-01-26T14:54:39Z)
• A Tutorial on Meta-Reinforcement Learning [69.76165430793571]
  我々は,メタRLと呼ばれるプロセスにおいて,機械学習問題自体として,より優れたRLアルゴリズムを開発した。 本稿では,タスク分布の存在と各タスクに利用可能な学習予算に基づいて,高レベルでメタRL研究をクラスタ化する方法について議論する。 RL実践者のための標準ツールボックスにメタRLを組み込むことの道程について,オープンな問題を提示することによって,結論を下す。
  論文  参考訳（メタデータ） (2023-01-19T12:01:41Z)
• Off-Policy Meta-Reinforcement Learning Based on Feature Embedding Spaces [14.029933823101084]
  学習と不確実性評価(ELUE)を埋め込んだ新しいオフポリシーメタRL法を提案する。 ELUEは、埋め込み空間と信念条件ポリシーとQ関数に関する信念モデルを学びます。 ELUEは,メタRLベンチマーク実験により,最先端のメタRL法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-01-06T05:51:38Z)
• FOCAL: Efficient Fully-Offline Meta-Reinforcement Learning via Distance Metric Learning and Behavior Regularization [10.243908145832394]
  本稿では, オフラインメタ強化学習(OMRL)問題について検討する。これは, 強化学習(RL)アルゴリズムが未知のタスクに迅速に適応できるようにするパラダイムである。 この問題はまだ完全には理解されていないが、2つの大きな課題に対処する必要がある。 我々は、いくつかの単純な設計選択が、最近のアプローチよりも大幅に改善できることを示す分析と洞察を提供する。
  論文  参考訳（メタデータ） (2020-10-02T17:13:39Z)

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。