論文の概要: Learning to Interact in World Latent for Team Coordination

• arxiv url: http://arxiv.org/abs/2509.25550v2
• Date: Wed, 01 Oct 2025 17:02:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-02 14:33:21.833409
• Title: Learning to Interact in World Latent for Team Coordination
• Title（参考訳）: チームコーディネートのための世界ラテンダーの相互作用を学ぶ
• Authors: Dongsu Lee, Daehee Lee, Yaru Niu, Honguk Woo, Amy Zhang, Ding Zhao,
• Abstract要約: 本研究は,多エージェント強化学習(MARL)におけるチーム協調を支援するために,対話型ワールドラテント(IWoL)という新しい表現学習フレームワークを提案する。 コミュニケーションプロトコルを直接モデル化することにより,エージェント間関係とタスク固有の世界情報とを協調的にキャプチャする学習可能な表現空間を構築する。 私たちの表現は、各エージェントの暗黙のラテントとしてだけでなく、コミュニケーションのための明示的なメッセージとしても使用できます。
• 参考スコア（独自算出の注目度）: 53.51290193631586
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work presents a novel representation learning framework, interactive world latent (IWoL), to facilitate team coordination in multi-agent reinforcement learning (MARL). Building effective representation for team coordination is a challenging problem, due to the intricate dynamics emerging from multi-agent interaction and incomplete information induced by local observations. Our key insight is to construct a learnable representation space that jointly captures inter-agent relations and task-specific world information by directly modeling communication protocols. This representation, we maintain fully decentralized execution with implicit coordination, all while avoiding the inherent drawbacks of explicit message passing, e.g., slower decision-making, vulnerability to malicious attackers, and sensitivity to bandwidth constraints. In practice, our representation can be used not only as an implicit latent for each agent, but also as an explicit message for communication. Across four challenging MARL benchmarks, we evaluate both variants and show that IWoL provides a simple yet powerful key for team coordination. Moreover, we demonstrate that our representation can be combined with existing MARL algorithms to further enhance their performance.
• Abstract（参考訳）: 本研究は,多エージェント強化学習(MARL)におけるチームの協調を支援するために,対話型ワールドラテント(IWoL)という新しい表現学習フレームワークを提案する。 チームコーディネートのための効果的な表現を構築することは、マルチエージェントインタラクションから生じる複雑なダイナミクスと、局所的な観察によって引き起こされる不完全な情報のために難しい問題である。 コミュニケーションプロトコルを直接モデル化することにより,エージェント間関係とタスク固有の世界情報とを協調的にキャプチャする学習可能な表現空間を構築する。 この表現は、明示的なメッセージパッシング、例えば、遅い意思決定、悪意のある攻撃者に対する脆弱性、帯域幅制限に対する感受性といった固有の欠点を避けながら、暗黙の調整で完全に分散化された実行を維持します。 実際には、我々の表現は各エージェントの暗黙の潜伏語としてだけでなく、コミュニケーションのための明示的なメッセージとしても使うことができる。 4つの挑戦的なMARLベンチマークで、両方のバリエーションを評価し、IWoLがチームのコーディネーションにシンプルだが強力なキーを提供することを示す。 さらに,我々の表現を既存のMARLアルゴリズムと組み合わせることで,その性能をさらに向上させることができることを示す。

関連論文リスト

• In-Context Reinforcement Learning via Communicative World Models [49.00028802135605]
  この研究は、2エージェントの緊急通信問題としてICRLを定式化する。 これは、転送可能な通信コンテキストを学ぶフレームワークであるCORALを紹介している。 実験により,本手法により,CAが試料効率を大幅に向上できることが実証された。
  論文  参考訳（メタデータ） (2025-08-08T19:23:23Z)
• Communicating Plans, Not Percepts: Scalable Multi-Agent Coordination with Embodied World Models [0.0]
  MARL(Multi-Agent Reinforcement Learning)の中心的な疑問は、通信プロトコルを設計するか、エンドツーエンドで学習するかである。 本稿では,協調的なタスク割り当て問題に対する2つのコミュニケーション戦略を提案し,比較する。 我々の実験によると、創発的コミュニケーションは単純な設定で実現可能であるが、設計された世界モデルベースのアプローチは、複雑さが増大するにつれて、優れたパフォーマンス、サンプル効率、スケーラビリティを示す。
  論文  参考訳（メタデータ） (2025-08-04T21:29:07Z)
• Contextual Knowledge Sharing in Multi-Agent Reinforcement Learning with Decentralized Communication and Coordination [0.9776703963093367]
  マルチエージェント強化学習(Dec-MARL)は、動的環境における複雑なタスクに対処するための重要なアプローチとして登場した。 本稿では,エージェントの知識共有プロセスに目標認識とタイムアウェアネスを取り入れ,ピアツーピアコミュニケーションとコーディネーションを統合した新しいDec-MARLフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-26T22:49:50Z)
• Tacit Learning with Adaptive Information Selection for Cooperative Multi-Agent Reinforcement Learning [13.918498667158119]
  本稿では,情報選択と暗黙学習に基づく新しい協調型MARLフレームワークを提案する。 我々はゲーティングと選択機構を統合し、エージェントが環境変化に基づいて情報を適応的にフィルタリングできるようにする。 人気のあるMARLベンチマークの実験により、我々のフレームワークは最先端のアルゴリズムとシームレスに統合できることが示された。
  論文  参考訳（メタデータ） (2024-12-20T07:55:59Z)
• Communication Learning in Multi-Agent Systems from Graph Modeling Perspective [62.13508281188895]
  本稿では,エージェント間の通信アーキテクチャを学習可能なグラフとして概念化する手法を提案する。 本稿では,各エージェントに対して時間的ゲーティング機構を導入し,ある時間に共有情報を受信するかどうかの動的決定を可能にする。
  論文  参考訳（メタデータ） (2024-11-01T05:56:51Z)
• Learning Multi-Agent Communication from Graph Modeling Perspective [62.13508281188895]
  本稿では,エージェント間の通信アーキテクチャを学習可能なグラフとして概念化する手法を提案する。 提案手法であるCommFormerは,通信グラフを効率よく最適化し,勾配降下によるアーキテクチャパラメータをエンドツーエンドで並列に洗練する。
  論文  参考訳（メタデータ） (2024-05-14T12:40:25Z)
• Cooperative Policy Learning with Pre-trained Heterogeneous Observation Representations [51.8796674904734]
  事前訓練された異種観察表現を用いた新たな協調学習フレームワークを提案する。 エンコーダ-デコーダに基づくグラフアテンションを用いて、複雑な相互作用と異種表現を学習する。
  論文  参考訳（メタデータ） (2020-12-24T04:52:29Z)
• Learning Structured Communication for Multi-agent Reinforcement Learning [104.64584573546524]
  本研究では,マルチエージェント強化学習(MARL)環境下での大規模マルチエージェント通信機構について検討する。 本稿では、より柔軟で効率的な通信トポロジを用いて、LSC(Learning Structured Communication)と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-11T07:19:45Z)

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。