論文の概要: Interference-Aware K-Step Reachable Communication in Multi-Agent Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2603.15054v1
• Date: Mon, 16 Mar 2026 10:07:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 18:28:58.002276
• Title: Interference-Aware K-Step Reachable Communication in Multi-Agent Reinforcement Learning
• Title（参考訳）: マルチエージェント強化学習における干渉対応Kステップ到達通信
• Authors: Ziyu Cheng, Jinsheng Ren, Zhouxian Jiang, Chenzhihang Li, Rongye Shi, Bin Liang, Jun Yang,
• Abstract要約: Interference-Aware K-Step Reachable Communication (IA-KRC)は、2つのコアコンポーネントによる協調を強化する新しいフレームワークである。 IA-KRCは環境干渉にもかかわらず、より永続的で効率的な協力を可能にする。
• 参考スコア（独自算出の注目度）: 10.669533781311033
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective communication is pivotal for addressing complex collaborative tasks in multi-agent reinforcement learning (MARL). Yet, limited communication bandwidth and dynamic, intricate environmental topologies present significant challenges in identifying high-value communication partners. Agents must consequently select collaborators under uncertainty, lacking a priori knowledge of which partners can deliver task-critical information. To this end, we propose Interference-Aware K-Step Reachable Communication (IA-KRC), a novel framework that enhances cooperation via two core components: (1) a K-Step reachability protocol that confines message passing to physically accessible neighbors, and (2) an interference-prediction module that optimizes partner choice by minimizing interference while maximizing utility. Compared to existing methods, IA-KRC enables substantially more persistent and efficient cooperation despite environmental interference. Comprehensive evaluations confirm that IA-KRC achieves superior performance compared to state-of-the-art baselines, while demonstrating enhanced robustness and scalability in complex topological and highly dynamic multi-agent scenarios.
• Abstract（参考訳）: マルチエージェント強化学習(MARL)における複雑な協調作業に効果的なコミュニケーションが重要である。 しかし、限られた通信帯域幅と動的で複雑な環境トポロジは、高価値な通信相手を特定する上で大きな課題となる。 その結果、エージェントは不確実性の下で協力者を選別し、パートナーがタスククリティカルな情報を提供できる事前知識を欠いている。 そこで本研究では,(1) メッセージパスを物理的にアクセス可能な隣人に限定するK-Stepリーチビリティプロトコル,(2) 干渉の最小化とユーティリティの最大化により,パートナーの選択を最適化する干渉防止モジュールの2つのコアコンポーネントによる協調性を高める新しいフレームワークであるInterference-Aware K-Step Reachable Communication (IA-KRC)を提案する。 既存の手法と比較して、IA-KRCは環境干渉にもかかわらず、より永続的で効率的な協調を可能にする。 総合的な評価では、IA-KRCは最先端のベースラインよりも優れた性能を達成し、複雑なトポロジカルかつ高ダイナミックなマルチエージェントシナリオにおいて、堅牢性と拡張性を示す。

関連論文リスト

• Scalable Multiagent Reinforcement Learning with Collective Influence Estimation [5.050035210247092]
  本稿では,集団影響推定ネットワークを付加したマルチエージェント学習フレームワークを提案する。 タスクオブジェクトに対する他のエージェントの集団的影響を明示的にモデル化することにより、各エージェントはクリティカルな相互作用情報を推測することができる。 実験の結果,提案手法は通信制限環境下での安定かつ効率的な協調を実現することがわかった。
  論文  参考訳（メタデータ） (2026-01-13T04:24:11Z)
• Communication to Completion: Modeling Collaborative Workflows with Intelligent Multi-Agent Communication [17.432061814666774]
  Communication to Completion (C2C) はタスク指向通信のためのスケーラブルなフレームワークである。 C2Cは許容される通信コストでタスク完了時間を約40%削減する。
  論文  参考訳（メタデータ） (2025-10-22T19:48:17Z)
• Learning to Interact in World Latent for Team Coordination [53.51290193631586]
  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。
  論文  参考訳（メタデータ） (2025-09-29T22:13:39Z)
• AnyMAC: Cascading Flexible Multi-Agent Collaboration via Next-Agent Prediction [77.62279834617475]
  本稿では,グラフ構造ではなくシーケンシャル構造を用いて,マルチエージェント協調を再考するフレームワークを提案する。 提案手法は,(1)各ステップで最も適したエージェントロールを選択するNext-Agent Predictionと,(2)各エージェントが前ステップから関連する情報にアクセスできるようにするNext-Context Selectionの2つの重要な方向に焦点を当てる。
  論文  参考訳（メタデータ） (2025-06-21T18:34:43Z)
• Towards Robust Multi-UAV Collaboration: MARL with Noise-Resilient Communication and Attention Mechanisms [5.666897565015641]
  本稿では,UAV経路計画のためのマルチエージェント強化学習(MARL)フレームワークを提案する。 このフレームワークには、注意機構に基づくUAV通信プロトコルとトレーニング・デプロイシステムが含まれている。 合成と実世界の両方のデータセットで行った実験は、経路計画効率とロバスト性の観点から既存のアルゴリズムよりも優れていることを示した。
  論文  参考訳（メタデータ） (2025-03-04T08:05:14Z)
• 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)
• REVECA: Adaptive Planning and Trajectory-based Validation in Cooperative Language Agents using Information Relevance and Relative Proximity [5.365719315040012]
  REVECAはGPT-4o-miniを利用した新しい認知アーキテクチャである。 効率的なメモリ管理、最適なプランニング、偽プランニングの費用対効果の防止を可能にする。
  論文  参考訳（メタデータ） (2024-05-27T01:47:14Z)
• AntEval: Evaluation of Social Interaction Competencies in LLM-Driven Agents [65.16893197330589]
  大規模言語モデル(LLM)は、幅広いシナリオで人間の振る舞いを再現する能力を示した。 しかし、複雑なマルチ文字のソーシャルインタラクションを扱う能力については、まだ完全には研究されていない。 本稿では,新しいインタラクションフレームワークと評価手法を含むマルチエージェントインタラクション評価フレームワーク(AntEval)を紹介する。
  論文  参考訳（メタデータ） (2024-01-12T11:18:00Z)
• Depthwise Convolution for Multi-Agent Communication with Enhanced Mean-Field Approximation [9.854975702211165]
  本稿では,MARL(Multi-agent RL)課題に取り組むための,局所的なコミュニケーション学習に基づく新しい手法を提案する。 まず,局所的な関係を効率的に抽出する深層的畳み込み機能を利用する新しい通信プロトコルを設計する。 第2に,エージェント相互作用の規模を減らすために,平均場近似を導入する。
  論文  参考訳（メタデータ） (2022-03-06T07:42:43Z)
• Cascaded Human-Object Interaction Recognition [175.60439054047043]
  マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。 各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。 慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
  論文  参考訳（メタデータ） (2020-03-09T17:05:04Z)

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。