論文の概要: Alleviating Community Fear in Disasters via Multi-Agent Actor-Critic Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2604.08802v1
• Date: Thu, 09 Apr 2026 22:37:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.599425
• Title: Alleviating Community Fear in Disasters via Multi-Agent Actor-Critic Reinforcement Learning
• Title（参考訳）: マルチエージェント・アクター・クリティカル強化学習による災害時の地域恐怖の緩和
• Authors: Yashodhan D. Hakke, Almuatazbellah M. Boker, Lamine Mili, Michael von Spakovsky, Hoda Eldardiry,
• Abstract要約: 災害の間、電力網、通信網、社会行動のカスケードは、コミュニティの恐怖を増幅し、協力を弱める。 既存のサイバー物理社会モデル(CPS)は、これらの結合力学をシミュレートするが、アクティブな介入のメカニズムが欠如している。 本研究では,Valinejad と Mili (2023) の CPS レジリエンスモデルを拡張し,コミュニケーション,電力,緊急管理の3つのエージェントの制御チャネルを拡張し,オンラインアクター・クリティック強化学習によって解決された3つのプレイヤー非ゼロサム差分ゲームとしてシステムを構成する。
• 参考スコア（独自算出の注目度）: 8.272860258499058
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: During disasters, cascading failures across power grids, communication networks, and social behavior amplify community fear and undermine cooperation. Existing cyber-physical-social (CPS) models simulate these coupled dynamics but lack mechanisms for active intervention. We extend the CPS resilience model of Valinejad and Mili (2023) with control channels for three agencies, communication, power, and emergency management, and formulate the resulting system as a three-player non-zero-sum differential game solved via online actor-critic reinforcement learning. Simulations based on Hurricane Harvey data show 70% mean fear reduction with improved infrastructure recovery; cross-validation in the case of Hurricane Irma (without refitting) achieves 50% fear reduction, confirming generalizability.
• Abstract（参考訳）: 災害の間、電力網、通信網、社会行動のカスケードは、コミュニティの恐怖を増幅し、協力を弱める。 既存のサイバー物理社会モデル(CPS)は、これらの結合力学をシミュレートするが、アクティブな介入のメカニズムが欠如している。 本研究では,Valinejad と Mili (2023) の CPS レジリエンスモデルを拡張し,コミュニケーション,電力,緊急管理の3つのエージェントの制御チャネルを拡張し,オンラインアクター・クリティック強化学習によって解決された3つのプレイヤー非ゼロサム差分ゲームとしてシステムを構成する。 ハリケーン・ハーベイのデータに基づくシミュレーションでは、インフラ回復の改善による平均的な恐怖の減少が70%であり、ハリケーン・イルマの場合(再適合なし)のクロスバリデーションは50%の恐怖の減少を達成し、一般化性を確認している。

関連論文リスト

• A Generative AI-Driven Reliability Layer for Action-Oriented Disaster Resilience [0.6768558752130311]
  Climate RADAR(Risk-Aware, Dynamic, and Action Recommendation System)は、AIベースの信頼性レイヤで、実行されたアクションに配信されるアラートから災害通信を再構成する。 気象学、水文学、脆弱性、社会データを複合リスク指標に統合し、市民、ボランティア、自治体のインターフェースにパーソナライズされたレコメンデーションを提供するために、ガードレールを組み込んだ大型言語モデル(LLM)を採用している。 シミュレーション,ユーザスタディ,都市パイロットによる評価では,より高い保護行動の実行,応答遅延の低減,ユーザビリティと信頼の向上など,改善された結果が示されている。
  論文  参考訳（メタデータ） (2026-01-26T09:43:30Z)
• Automating Supply Chain Disruption Monitoring via an Agentic AI Approach [49.77982322940809]
  我々は、自律的に監視し、分析し、拡張されたサプライネットワークにまたがる破壊に応答する、最小限の教師付きエージェントAIフレームワークを導入する。 F1スコアは0.962から0.991の間であり、破壊1回あたり0.0836ドルのコストで平均3.83分でエンドツーエンドの分析を行う。
  論文  参考訳（メタデータ） (2026-01-14T18:28:31Z)
• Failure-Aware RL: Reliable Offline-to-Online Reinforcement Learning with Self-Recovery for Real-World Manipulation [48.26705293834693]
  FARL(Failure-Aware Offline-to-Online Reinforcement Learning)は、実世界の強化学習における障害を最小限にする新しいパラダイムである。 本研究では,オンライン探索における障害防止のために,世界モデルに基づく安全評論家とオフラインで訓練された回復ポリシーを統合するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-01-12T18:53:11Z)
• PHANTOM: Physics-Aware Adversarial Attacks against Federated Learning-Coordinated EV Charging Management System [2.5019498860784926]
  我々は,多エージェント強化学習モデルを用いてトレーニングし,最適化した物理認識型対向ネットワークPHANTOMを提案する。 その結果、学習した攻撃ポリシーが負荷分散を阻害し、TとDの境界を越えて伝播する電圧不安定性を誘導する方法が示されている。
  論文  参考訳（メタデータ） (2025-12-26T20:54:16Z)
• Situational Awareness as the Imperative Capability for Disaster Resilience in the Era of Complex Hazards and Artificial Intelligence [1.1368819707015188]
  災害はしばしば確立された危険モデルを超え、予期せぬ影響や脆弱性が効果的な対応を妨げている盲点を明らかにする。 状況認識(SA) - 動的危機条件を知覚し、解釈し、計画する能力は、しばしば見過ごされるが、災害の回復に不可欠な能力である。
  論文  参考訳（メタデータ） (2025-08-21T03:38:47Z)
• When Autonomy Goes Rogue: Preparing for Risks of Multi-Agent Collusion in Social Systems [78.04679174291329]
  悪意のあるマルチエージェントシステム(MAS)のリスクをシミュレートするための概念実証手法を提案する。 この枠組みを、誤情報拡散とeコマース詐欺という2つのリスクの高い分野に適用する。 その結果,分散システムの方が,集中型システムよりも悪意ある行動を実行するのに効果的であることが示唆された。
  論文  参考訳（メタデータ） (2025-07-19T15:17:30Z)
• Hierarchical Adversarially-Resilient Multi-Agent Reinforcement Learning for Cyber-Physical Systems Security [0.0]
  本稿では,階層型適応型レジリエントなマルチエージェント強化学習フレームワークを提案する。 このフレームワークには、進化するサイバー脅威をシミュレートし予測するために設計された敵の訓練ループが含まれている。
  論文  参考訳（メタデータ） (2025-06-12T01:38:25Z)
• Streamlining Resilient Kubernetes Autoscaling with Multi-Agent Systems via an Automated Online Design Framework [0.0]
  クラウドネイティブなシステムは、ワークロード管理の貧弱な問題のために、運用上のレジリエンスに直面することが多い。 協調エージェントに委譲された障害固有のサブゴールに、運用上のレジリエンスを維持するという、包括的な目標を分解することを提案する。 1)クラスタトレースから構築されたディジタルツインのモデリング,2)障害コンテキストに適した役割やミッションを用いたシミュレーションエージェントのトレーニング,3)説明可能性のためのエージェント動作の解析,4)学習ポリシを実クラスタに転送する。
  論文  参考訳（メタデータ） (2025-05-26T20:39:31Z)
• CrisisSense-LLM: Instruction Fine-Tuned Large Language Model for Multi-label Social Media Text Classification in Disaster Informatics [50.122541222825156]
  本研究では,事前学習型大規模言語モデル(LLM)の強化による災害テキスト分類への新たなアプローチを提案する。 本手法では,災害関連ツイートから包括的インストラクションデータセットを作成し,それをオープンソース LLM の微調整に用いる。 この微調整モデルでは,災害関連情報の種類,情報化,人的援助の関与など,複数の側面を同時に分類することができる。
  論文  参考訳（メタデータ） (2024-06-16T23:01:10Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)

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。