論文の概要: Pairwise is Not Enough: Hypergraph Neural Networks for Multi-Agent Pathfinding
- arxiv url: http://arxiv.org/abs/2602.06733v1
- Date: Fri, 06 Feb 2026 14:28:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-09 22:18:26.423281
- Title: Pairwise is Not Enough: Hypergraph Neural Networks for Multi-Agent Pathfinding
- Title（参考訳）: Pairwise is notough: Hypergraph Neural Networks for Multi-Agent Pathfinding
- Authors: Rishabh Jain, Keisuke Okumura, Michael Amir, Pietro Lio, Amanda Prorok,
- Abstract要約: HMAGAT(Hypergraph Multi-Agent Attention Network)は,有向ハイパーグラフ上の注意機構を利用してグループダイナミクスを明示的にキャプチャする新しいアーキテクチャである。
ハイパーグラフがGNNに固有の注意の希釈をいかに表現しているかを示し、ペアワイズ手法が失敗する複雑な相互作用を捉える。
この結果から,多エージェント問題に対するトレーニングデータサイズやパラメータ数よりも,適切な帰納バイアスが重要であることが示唆された。
- 参考スコア（独自算出の注目度）: 28.34876433005121
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-Agent Path Finding (MAPF) is a representative multi-agent coordination problem, where multiple agents are required to navigate to their respective goals without collisions. Solving MAPF optimally is known to be NP-hard, leading to the adoption of learning-based approaches to alleviate the online computational burden. Prevailing approaches, such as Graph Neural Networks (GNNs), are typically constrained to pairwise message passing between agents. However, this limitation leads to suboptimal behaviours and critical issues, such as attention dilution, particularly in dense environments where group (i.e. beyond just two agents) coordination is most critical. Despite the importance of such higher-order interactions, existing approaches have not been able to fully explore them. To address this representational bottleneck, we introduce HMAGAT (Hypergraph Multi-Agent Attention Network), a novel architecture that leverages attentional mechanisms over directed hypergraphs to explicitly capture group dynamics. Empirically, HMAGAT establishes a new state-of-the-art among learning-based MAPF solvers: e.g., despite having just 1M parameters and being trained on 100$\times$ less data, it outperforms the current SoTA 85M parameter model. Through detailed analysis of HMAGAT's attention values, we demonstrate how hypergraph representations mitigate the attention dilution inherent in GNNs and capture complex interactions where pairwise methods fail. Our results illustrate that appropriate inductive biases are often more critical than the training data size or sheer parameter count for multi-agent problems.
- Abstract（参考訳）: 多エージェント経路探索(MAPF、Multi-Agent Path Finding)は、複数のエージェントが衝突することなくそれぞれの目標に向かって移動する必要がある、代表的多エージェント協調問題である。
MAPFを最適に解くことはNPハードであることが知られており、オンライン計算負担を軽減するための学習ベースのアプローチが採用される。
グラフニューラルネットワーク(GNN)のような一般的なアプローチは通常、エージェント間のペアワイズメッセージパッシングに制約される。
しかし、この制限は、特にグループ(つまり2つのエージェント以外)の協調が最も重要である密集した環境では、過度な行動や注意の希釈のような重要な問題を引き起こす。
このような高次相互作用の重要性にもかかわらず、既存のアプローチはそれらを十分に探索することができなかった。
HMAGAT(Hypergraph Multi-Agent Attention Network)は,有向ハイパーグラフ上の注意機構を利用してグループダイナミクスを明示的にキャプチャする新しいアーキテクチャである。
HMAGATは、100Mパラメータしか持たず、100$\times$少ないデータでトレーニングされているにもかかわらず、現在のSoTA 85Mパラメータモデルよりも優れています。
HMAGATの注意値の詳細な解析を通じて、GNNに固有の注意の希釈をハイパーグラフ表現が緩和し、ペアワイズメソッドが失敗する複雑な相互作用をキャプチャする方法を実証する。
この結果から,多エージェント問題に対するトレーニングデータサイズやパラメータ数よりも,適切な帰納バイアスが重要であることが示唆された。
関連論文リスト
- InterAgent: Physics-based Multi-agent Command Execution via Diffusion on Interaction Graphs [72.5651722107621]
InterAgentはテキスト駆動型物理ベースのマルチエージェントヒューマノイド制御のためのエンドツーエンドフレームワークである。
本稿では,マルチストリームブロックを備えた自己回帰拡散トランスフォーマーを提案する。
また,空間依存性の微粒化を明示的に捉えた対話グラフのエクスセプション表現を提案する。
論文 参考訳（メタデータ） (2025-12-08T10:46:01Z) - AgentRouter: A Knowledge-Graph-Guided LLM Router for Collaborative Multi-Agent Question Answering [51.07491603393163]
tAgentは知識グラフ誘導ルーティング問題としてマルチエージェントQAを定式化するフレームワークである。
エージェントアウトプットのソフトな監督と重み付けされた集約を活用することで、エージェントは多様なエージェントの相補的な強みを捉える、原則化された協調スキームを学ぶ。
論文 参考訳（メタデータ） (2025-10-06T23:20:49Z) - Aggregation-aware MLP: An Unsupervised Approach for Graph Message-passing [10.93155007218297]
AMLP"は、アグリゲーション関数を直接作成することから適応アグリゲーションへとパラダイムをシフトする、教師なしのフレームワークである。
提案手法は2つの重要なステップから構成される: まず、高次グルーピング効果を促進するグラフ再構成を利用する。
論文 参考訳（メタデータ） (2025-07-27T04:52:55Z) - Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning [62.640169289390535]
SPLIT-RAGは、質問駆動セマンティックグラフ分割と協調サブグラフ検索による制限に対処するマルチエージェントRAGフレームワークである。
革新的なフレームワークは、まずリンク情報のセマンティック分割を作成し、次にタイプ特化知識ベースを使用してマルチエージェントRAGを実現する。
属性対応グラフセグメンテーションは、知識グラフを意味的に一貫性のあるサブグラフに分割し、サブグラフが異なるクエリタイプと整合することを保証する。
階層的なマージモジュールは、論理的検証を通じて、部分グラフ由来の解答間の矛盾を解消する。
論文 参考訳（メタデータ） (2025-05-20T06:44:34Z) - ScaleGNN: Towards Scalable Graph Neural Networks via Adaptive High-order Neighboring Feature Fusion [73.85920403511706]
スケーラブルで効果的なグラフ学習のためのマルチホップノード機能を適応的に融合する新しいフレームワークであるScaleGNNを提案する。
予測精度と計算効率の両面で,ScaleGNNは最先端のGNNよりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2025-04-22T14:05:11Z) - HEC-GCN: Hypergraph Enhanced Cascading Graph Convolution Network for Multi-Behavior Recommendation [41.65320959602054]
マルチビヘイビアレコメンデーション(HEC-GCN)のためのHypergraph Enhanced Cascading Graph Convolution Networkという新しいアプローチを提案する。
まず,行動特化相互作用グラフと対応するハイパーグラフをケースド方式で同時にモデル化することにより,ユーザや各行動項目間の細粒度と粗粒度の相関関係を探索する。
論文 参考訳（メタデータ） (2024-12-19T02:57:02Z) - Influence Maximization in Hypergraphs using Multi-Objective Evolutionary Algorithms [2.726292320658314]
影響最大化(IM)問題はグラフ上のよく知られたNPハード問題である。
ハイパーグラフ上のIM問題に対する多目的EAを提案する。
論文 参考訳（メタデータ） (2024-05-16T15:31:28Z) - Network Intrusion Detection with Edge-Directed Graph Multi-Head Attention Networks [13.446986347747325]
本稿では,ネットワーク侵入検出のためのエッジ指向グラフマルチヘッドアテンションネットワーク(EDGMAT)を提案する。
EDGMATモデルでは,侵入検知モデルにマルチヘッドアテンション機構を導入し,マルチヘッドアテンション機構とエッジ特徴を組み合わせた付加的な重み学習を実現する。
論文 参考訳（メタデータ） (2023-10-26T12:30:11Z) - MADiff: Offline Multi-agent Learning with Diffusion Models [79.18130544233794]
MADiffは拡散型マルチエージェント学習フレームワークである。
分散ポリシと集中型コントローラの両方として機能する。
実験の結果,MADiffは様々なマルチエージェント学習タスクにおいて,ベースラインアルゴリズムよりも優れていた。
論文 参考訳（メタデータ） (2023-05-27T02:14:09Z) - Residual Enhanced Multi-Hypergraph Neural Network [26.42547421121713]
HyperGraph Neural Network (HGNN) はハイパーグラフ表現学習のためのデファクト手法である。
本稿では,各ハイパーグラフからのマルチモーダル情報を効果的に融合できるResidual enhanced Multi-Hypergraph Neural Networkを提案する。
論文 参考訳（メタデータ） (2021-05-02T14:53:32Z)
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。