論文の概要: Active Asymmetric Multi-Agent Multimodal Learning under Uncertainty

• arxiv url: http://arxiv.org/abs/2602.04763v1
• Date: Wed, 04 Feb 2026 17:01:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.646584
• Title: Active Asymmetric Multi-Agent Multimodal Learning under Uncertainty
• Title（参考訳）: 不確実性下におけるアクティブ非対称マルチエージェントマルチモーダル学習
• Authors: Rui Liu, Pratap Tokekar, Ming Lin,
• Abstract要約: 不確実性下でのアクティブ非対称マルチエージェントマルチモーダル学習(A2MAML)を提案する。 A2MAMLは、不確実性を認識し、モダリティレベルのコラボレーションのための原則化されたアプローチである。 共同事故検出のための接続された自律走行シナリオの実験は、A2MAMLがシングルエージェントとコラボレーティブベースラインの両方を一貫して上回っていることを示している。
• 参考スコア（独自算出の注目度）: 15.933557806106071
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multi-agent systems are increasingly equipped with heterogeneous multimodal sensors, enabling richer perception but introducing modality-specific and agent-dependent uncertainty. Existing multi-agent collaboration frameworks typically reason at the agent level, assume homogeneous sensing, and handle uncertainty implicitly, limiting robustness under sensor corruption. We propose Active Asymmetric Multi-Agent Multimodal Learning under Uncertainty (A2MAML), a principled approach for uncertainty-aware, modality-level collaboration. A2MAML models each modality-specific feature as a stochastic estimate with uncertainty prediction, actively selects reliable agent-modality pairs, and aggregates information via Bayesian inverse-variance weighting. This formulation enables fine-grained, modality-level fusion, supports asymmetric modality availability, and provides a principled mechanism to suppress corrupted or noisy modalities. Extensive experiments on connected autonomous driving scenarios for collaborative accident detection demonstrate that A2MAML consistently outperforms both single-agent and collaborative baselines, achieving up to 18.7% higher accident detection rate.
• Abstract（参考訳）: マルチエージェントシステムは、よりリッチな知覚を可能にするとともに、モダリティに特有かつエージェント依存の不確実性をもたらす、異質なマルチモーダルセンサーをますます備えている。 既存のマルチエージェントコラボレーションフレームワークは、エージェントレベルでの理由付け、均質なセンシングを仮定し、暗黙的に不確実性に対処し、センサの破損による堅牢性を制限するのが一般的である。 不確実性下でのアクティブ非対称なマルチモーダル学習(A2MAML)を提案する。 A2MAMLは、不確実性予測を伴う確率的推定として各モダリティ固有の特徴をモデル化し、信頼できるエージェント-モダリティペアを積極的に選択し、ベイズ逆分散重み付けを通じて情報を集約する。 この定式化は、微細でモダリティレベルの融合を可能にし、非対称なモダリティ可利用性をサポートし、劣化またはノイズのあるモダリティを抑制するための原則化されたメカニズムを提供する。 共同事故検出のための接続された自律運転シナリオに関する大規模な実験は、A2MAMLが単一エージェントと協調的ベースラインの両方を一貫して上回り、最大18.7%の事故検出率を達成することを示した。

関連論文リスト

• ConSensus: Multi-Agent Collaboration for Multimodal Sensing [23.56691532782939]
  大規模言語モデル(LLM)は、人間の生理学と物理世界に対する知覚と推論のために、センサーデータに基礎を置いている。 単一のモノリシックなLLMは、しばしばモダリティ間でコヒーレントに推論できないことを示し、不完全な解釈と事前知識バイアスをもたらす。 ConSensusは、マルチモーダルセンシングタスクを特殊なモダリティ対応エージェントに分解する、トレーニング不要なマルチエージェント協調フレームワークである。
  論文  参考訳（メタデータ） (2026-01-10T06:41:01Z)
• MAGIC-MASK: Multi-Agent Guided Inter-Agent Collaboration with Mask-Based Explainability for Reinforcement Learning [0.0]
  本稿では,マルチエージェント強化学習への摂動に基づく説明を拡張した数学的基盤を持つMAGIC-MASKを提案する。 提案手法は, 近似ポリシ最適化, 適応型エプシロン・グレーディ探索, および軽量なエージェント間協調を統合した。 この共同作業により、各エージェントは給与誘導マスキングを行い、報酬に基づく洞察を仲間と共有し、臨界状態発見に必要な時間を短縮することができる。
  論文  参考訳（メタデータ） (2025-09-30T20:53:28Z)
• Vulnerable Agent Identification in Large-Scale Multi-Agent Reinforcement Learning [49.31650627835956]
  システムがスケールアップすると、部分的なエージェントの障害は避けられないものとなり、全体的なパフォーマンスが著しく低下するエージェントのサブセットを特定することが重要になる。 本稿では,大規模マルチエージェント強化学習(MARL)における脆弱性エージェント識別(VAI)問題について検討する。 実験により, 大規模MARLおよびルールベースシステムにおいて, より脆弱なエージェントを効果的に同定し, システムを悪用し, それぞれのエージェントの脆弱性を明らかにする値関数を学習した。
  論文  参考訳（メタデータ） (2025-09-18T16:03:50Z)
• AgentAlign: Misalignment-Adapted Multi-Agent Perception for Resilient Inter-Agent Sensor Correlations [8.916036880001734]
  既存の研究は、マルチエージェント設定における脆弱なマルチセンサ相関を概観している。 AgentAlignは、現実世界の異種エージェントのクロスモダリティ機能アライメントフレームワークである。 多様な環境条件下での現実的なセンサの欠陥をシミュレートする新しいV2XSet-noiseデータセットを提案する。
  論文  参考訳（メタデータ） (2024-12-09T01:51:18Z)
• SAUP: Situation Awareness Uncertainty Propagation on LLM Agent [52.444674213316574]
  大規模言語モデル(LLM)は多段階エージェントシステムに統合され、様々なアプリケーションにまたがる複雑な意思決定プロセスを可能にする。 既存の不確実性推定手法は主に最終段階の出力に重点を置いており、これは多段階決定プロセスにおける累積的不確実性やエージェントとその環境間の動的相互作用を考慮できない。 LLMエージェントの推論プロセスの各ステップを通じて不確実性を伝播する新しいフレームワークであるSAUPを提案する。
  論文  参考訳（メタデータ） (2024-12-02T01:31:13Z)
• Breaking the Curse of Multiagency in Robust Multi-Agent Reinforcement Learning [37.80275600302316]
  分布的にロバストなマルコフゲーム (RMG) は、MARLのロバスト性を高めるために提案されている。 悪名高いオープンな2つの課題は、不確実性の集合の定式化と、対応するRMGがマルチ緊急の呪いを克服できるかどうかである。 本研究では,行動経済学に着想を得た自然なRMGのクラスを提案し,各エージェントの不確実性セットは,環境と他のエージェントの統合行動の両方によって形成される。
  論文  参考訳（メタデータ） (2024-09-30T08:09:41Z)
• Confidence-aware multi-modality learning for eye disease screening [58.861421804458395]
  眼疾患スクリーニングのための新しい多モード顕在核融合パイプラインを提案する。 モダリティごとに信頼度を測り、マルチモダリティ情報をエレガントに統合する。 パブリックデータセットと内部データセットの両方の実験結果は、我々のモデルが堅牢性に優れていることを示している。
  論文  参考訳（メタデータ） (2024-05-28T13:27:30Z)
• On the Complexity of Multi-Agent Decision Making: From Learning in Games to Partial Monitoring [105.13668993076801]
  マルチエージェント強化学習(MARL)理論における中心的な問題は、構造条件やアルゴリズムの原理がサンプル効率の学習保証につながるかを理解することである。 本稿では,複数のエージェントを用いた対話型意思決定のための一般的な枠組みとして,この問題について考察する。 マルチエージェント意思決定における統計的複雑性を特徴付けることは、単一エージェント決定の統計的複雑性を特徴付けることと等価であることを示す。
  論文  参考訳（メタデータ） (2023-05-01T06:46:22Z)
• Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory Forecasting [61.02295959343446]
  この研究はまず、相互作用モジュールから生じる不確実性をモデル化する新しい概念であるコラボレーティブ不確実性(CU)を提案する。 我々は、回帰と不確実性推定の両方を行うために、元の置換同変不確かさ推定器を備えた一般的なCU対応回帰フレームワークを構築した。 提案するフレームワークを,プラグインモジュールとして現在のSOTAマルチエージェント軌道予測システムに適用する。
  論文  参考訳（メタデータ） (2022-07-11T21:17:41Z)
• Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma Distributions [91.63716984911278]
  このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。 実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
  論文  参考訳（メタデータ） (2021-11-11T14:28:12Z)

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。