論文の概要: MARLIN: Multi-Agent Reinforcement Learning for Incremental DAG Discovery
- arxiv url: http://arxiv.org/abs/2603.20295v1
- Date: Thu, 19 Mar 2026 02:59:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:38.812925
- Title: MARLIN: Multi-Agent Reinforcement Learning for Incremental DAG Discovery
- Title（参考訳）: MARLIN:インクリメンタルDAG発見のためのマルチエージェント強化学習
- Authors: Dong Li, Zhengzhang Chen, Xujiang Zhao, Linlin Yu, Zhong Chen, Yi He, Haifeng Chen, Chen Zhao,
- Abstract要約: インクリメンタルDAG学習のための効率的なマルチエージェントRLベースのアプローチであるMARLINを提案する。
合成データセットと実データセットの実験により、MARLINは効率と有効性の両方の観点から、技術手法の状態を上回ります。
- 参考スコア（独自算出の注目度）: 50.18870781255611
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Uncovering causal structures from observational data is crucial for understanding complex systems and making informed decisions. While reinforcement learning (RL) has shown promise in identifying these structures in the form of a directed acyclic graph (DAG), existing methods often lack efficiency, making them unsuitable for online applications. In this paper, we propose MARLIN, an efficient multi agent RL based approach for incremental DAG learning. MARLIN uses a DAG generation policy that maps a continuous real valued space to the DAG space as an intra batch strategy, then incorporates two RL agents state specific and state invariant to uncover causal relationships and integrates these agents into an incremental learning framework. Furthermore, the framework leverages a factored action space to enhance parallelization efficiency. Extensive experiments on synthetic and real datasets demonstrate that MARLIN outperforms state of the art methods in terms of both efficiency and effectiveness.
- Abstract（参考訳）: 観測データから因果構造を明らかにすることは、複雑なシステムを理解し、情報的決定を下すのに不可欠である。
強化学習(RL)は、これらの構造を有向非巡回グラフ(DAG)の形で識別することを約束しているが、既存の手法は効率を欠くことが多く、オンラインアプリケーションには適さない。
本稿では,逐次DAG学習のための効率的なマルチエージェントRLベースのアプローチであるMARLINを提案する。
MARLINはDAG生成ポリシーを使用して、連続実値空間をDAG空間にバッチ内戦略としてマッピングし、2つのRLエージェントの状態特定と状態不変を組み込んで因果関係を解明し、これらのエージェントを漸進的な学習フレームワークに統合する。
さらに、このフレームワークは、並列化効率を高めるために、ファクタされたアクション空間を利用する。
合成データセットと実データセットの大規模な実験により、MARLINは効率と有効性の両方の観点から最先端の手法より優れていることが示された。
関連論文リスト
- Consolidation or Adaptation? PRISM: Disentangling SFT and RL Data via Gradient Concentration [56.074760766965085]
PRISMは、モデルの既存の知識との認知的対立度に基づいてデータを調停する動的認識フレームワークを実現する。
この結果から,内部最適化方式に基づくデータ分離が,スケーラブルでロバストなエージェントアライメントに不可欠であることが示唆された。
論文 参考訳（メタデータ） (2026-01-12T05:43:20Z) - Improving Deepfake Detection with Reinforcement Learning-Based Adaptive Data Augmentation [60.04281435591454]
CRDA(Curriculum Reinforcement-Learning Data Augmentation)は、マルチドメインの偽造機能を段階的にマスターするための検出器を導く新しいフレームワークである。
私たちのアプローチの中心は、強化学習と因果推論を統合することです。
提案手法は検出器の一般化性を大幅に向上し,複数のクロスドメインデータセット間でSOTA法より優れている。
論文 参考訳（メタデータ） (2025-11-10T12:45:52Z) - Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。
既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。
近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。
KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
論文 参考訳（メタデータ） (2025-06-11T12:03:52Z) - Reinforcement Learning for Causal Discovery without Acyclicity Constraints [35.753289086012224]
我々は、強化学習機械を利用した因果発見の新しいアプローチであるALIASを紹介する。
本手法は,DAGを最適2次複雑度で1ステップで生成する効率的なポリシを特徴とする。
因果発見における最先端技術と比較して, ALIAS の強い性能を示す説得力のある実証的証拠を提供する。
論文 参考訳（メタデータ） (2024-08-24T03:12:21Z) - Learning Multiple Coordinated Agents under Directed Acyclic Graph
Constraints [20.45657219304883]
本稿では,有向非巡回グラフ(DAG)制約下で複数の協調エージェントを学習する新しいマルチエージェント強化学習(MARL)法を提案する。
既存のMARL手法とは異なり,本手法ではエージェント間のDAG構造を明示的に利用し,より効果的な学習性能を実現する。
論文 参考訳（メタデータ） (2023-07-13T13:41:24Z) - Learning Better with Less: Effective Augmentation for Sample-Efficient
Visual Reinforcement Learning [57.83232242068982]
データ拡張(DA)は、ビジュアル強化学習(RL)アルゴリズムのサンプル効率を高める重要な手法である。
サンプル効率のよい視覚的RLを実現する上で, DAのどの属性が有効かは明らかになっていない。
本研究は,DAの属性が有効性に与える影響を評価するための総合的な実験を行う。
論文 参考訳（メタデータ） (2023-05-25T15:46:20Z)
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。