論文の概要: Zero-Shot Scalable Resilience in UAV Swarms: A Decentralized Imitation Learning Framework with Physics-Informed Graph Interactions

• arxiv url: http://arxiv.org/abs/2604.15762v1
• Date: Fri, 17 Apr 2026 07:06:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.779769
• Title: Zero-Shot Scalable Resilience in UAV Swarms: A Decentralized Imitation Learning Framework with Physics-Informed Graph Interactions
• Title（参考訳）: UAVスワムにおけるゼロショットスケーラブルレジリエンス:物理インフォームドグラフインタラクションを用いた分散模倣学習フレームワーク
• Authors: Huan Lin, Lianghui Ding,
• Abstract要約: 大規模な無人航空機(UAV)の故障は、無人航空機の群れネットワークを非接続のサブネットワークに分割することができる。 本稿では,分散処理による集中学習を取り入れた物理インフォームド適応グラフ学習アルゴリズム(PhyGAIL)を提案する。
• 参考スコア（独自算出の注目度）: 6.590573149504977
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large-scale Unmanned Aerial Vehicle (UAV) failures can split an unmanned aerial vehicle swarm network into disconnected sub-networks, making decentralized recovery both urgent and difficult. Centralized recovery methods depend on global topology information and become communication-heavy after severe fragmentation. Decentralized heuristics and multi-agent reinforcement learning methods are easier to deploy, but their performance often degrades when the swarm scale and damage severity vary. We present Physics-informed Graph Adversarial Imitation Learning algorithm (PhyGAIL) that adopts centralized training with decentralized execution. PhyGAIL builds bounded local interaction graphs from heterogeneous observations, and uses physics-informed graph neural network to encode directional local interactions as gated message passing with explicit attraction and repulsion. This gives the policy a physically grounded coordination bias while keeping local observations scale-invariant. It also uses scenario-adaptive imitation learning to improve training under fragmented topologies and variable-length recovery episodes. Our analysis establishes bounded local graph amplification, bounded interaction dynamics, and controlled variance of the terminal success signal. A policy trained on 20-UAV swarms transfers directly to swarms of up to 500 UAVs without fine-tuning, and achieves better performance across reconnection reliability, recovery speed, motion safety, and runtime efficiency than representative baselines.
• Abstract（参考訳）: 大規模な無人航空機(UAV)の故障は、無人航空機の群れネットワークを非接続のサブネットワークに分割することができ、緊急かつ困難である。 集中型回復法は, 大域的なトポロジ情報に依存し, 深刻な断片化後, 通信量の多いものとなる。 分散ヒューリスティックスとマルチエージェント強化学習法は展開が容易であるが,スワムスケールや損傷重大度が変化すると性能が低下することが多い。 本稿では,分散実行による集中学習を取り入れた物理インフォームドグラフ適応学習アルゴリズム(PhyGAIL)を提案する。 PhyGAILは、不均一な観測から有界な局所的相互作用グラフを構築し、物理インフォームドグラフニューラルネットワークを使用して、指向性局所的相互作用を明示的なアトラクションと反発を伴うゲートメッセージパッシングとして符号化する。 これにより、局所的な観測のスケール不変性を保ちながら、政策を物理的に基底とした調整バイアスを与える。 また、シナリオ適応型模倣学習を使用して、断片化されたトポロジと可変長回復エピソードのトレーニングを改善する。 解析により,有界局所グラフ増幅,有界相互作用ダイナミクス,終端成功信号の分散制御が確立される。 20UAVのSwarmで訓練されたポリシーは、微調整なしで最大500UAVのSwarmへ直接転送し、リコネクション信頼性、回復速度、動作安全性、実行効率を代表ベースラインよりも向上させる。

関連論文リスト

• Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [86.99017195607077]
  無線ネットワークにおける自己回帰的マルコフ音源のリアルタイムサンプリングと推定について検討する。 政策最適化のためのグラフィカル強化学習フレームワークを提案する。 理論的には、提案したポリシーは転送可能であり、あるグラフ上で訓練されたポリシーを構造的に類似したグラフに効果的に適用することができる。
  論文  参考訳（メタデータ） (2026-01-19T02:18:45Z)
• Multi-Agent Deep Reinforcement Learning for Collaborative UAV Relay Networks under Jamming Atatcks [36.380478794869234]
  本稿では,この課題を,分散実行トレーニング(CTDE)フレームワークを用いて解決したMARL(Multi-Agent Reinforcement Learning)問題として定式化する。 提案手法はベースラインを著しく上回り,システム全体のスループットを約50%向上し,同時にほぼゼロの衝突速度を実現した。 重要な発見は、エージェントが明示的なプログラミングなしに創発的なアンチジャミング戦略を開発することである。
  論文  参考訳（メタデータ） (2025-12-09T08:11:21Z)
• Federated Spatiotemporal Graph Learning for Passive Attack Detection in Smart Grids [2.721477719641864]
  本稿では,時間的ウィンドウ上で物理層と行動指標を融合させて受動的攻撃を検出するグラフ中心型マルチモーダル検出器を提案する。 テスト精度は98.32%、シーケンス毎の93.35%を0.15% FPRで達成している。
  論文  参考訳（メタデータ） (2025-09-29T08:52:30Z)
• Bayesian Ego-graph inference for Networked Multi-Agent Reinforcement Learning [16.190458233440864]
  本稿では,ネットワーク型MARLのためのグラフベースのポリシーを提案する。 ベイズ変分法による疎密なコンテキスト認識相互作用構造を学習する分散型アクターフレームであるBayesGを紹介する。 BayesGは、最大167エージェントの大規模トラフィック制御タスクにおいて、強力なMARLベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-09-20T10:09:37Z)
• Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [86.99017195607077]
  統計的に同一性を持つ無線ネットワークにおける自己回帰的マルコフ過程のサンプリングとリモート推定の課題に対処する。 我々のゴールは、分散化されたスケーラブルサンプリングおよび送信ポリシーを用いて、時間平均推定誤差と/または情報の年齢を最小化することである。
  論文  参考訳（メタデータ） (2024-04-04T06:24:11Z)
• Over-the-Air Federated Learning and Optimization [52.5188988624998]
  エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。 本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。 エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。 さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
  論文  参考訳（メタデータ） (2023-10-16T05:49:28Z)
• Magnitude Matters: Fixing SIGNSGD Through Magnitude-Aware Sparsification in the Presence of Data Heterogeneity [60.791736094073]
  通信オーバーヘッドは、ディープニューラルネットワークの分散トレーニングにおいて、大きなボトルネックのひとつになっています。 本稿では,SIGNSGDの非収束問題に対処する等級化方式を提案する。 提案手法は,Fashion-MNIST, CIFAR-10, CIFAR-100データセットを用いて検証した。
  論文  参考訳（メタデータ） (2023-02-19T17:42:35Z)

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。