論文の概要: MEMOA: Massive Mixtures of Online Agents via Mean-Field Decentralized Nash Equilibria
- arxiv url: http://arxiv.org/abs/2605.05492v1
- Date: Wed, 06 May 2026 22:26:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-08 22:27:11.435148
- Title: MEMOA: Massive Mixtures of Online Agents via Mean-Field Decentralized Nash Equilibria
- Title（参考訳）: MEMOA: 平均分散ナッシュ平衡によるオンラインエージェントの大量混合
- Abstract要約: 我々は、一意の最適分散政策をクローズドな形で導出する。
我々は、クライアント予測のサーバ計算混合を最適化するために、オンライン重み付け機構を使用します。
数値実験は、我々の理論的保証を検証し、我々の分散された政策が典型的に自然の欲求的な分散されたベースラインを上回ることを実証する。
- 参考スコア（独自算出の注目度）: 10.901596294091005
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the modern age of large-scale AI, federated learning has become an increasingly important tool for training large populations of AI agents; however, its computational and communication costs can rapidly fail to scale with the number of agents. This is precisely where decentralized agentic strategies shine: each agent acts autonomously, using only its own state together with a minimal summary of the ensemble, namely the mean-field. We derive the unique optimal decentralized policy in closed form. Optimality is characterized through a worst-client/minimax criterion: minimizing the under-performer regret, namely the maximal online cost incurred by the weakest agent in the ensemble. We further prove that the resulting decentralized policy asymptotically converges, in the large-population limit, to the Nash-optimal centralized policy, whose direct computation is not scalable. We use an online weighting mechanism to optimize the server-computed mixture of client predictions, thereby improving the mean prediction in addition to the previously optimized weakest-client prediction. Numerical experiments verify our theoretical guarantees and demonstrate that our decentralized policy typically outperforms natural greedy decentralized baselines.
- Abstract（参考訳）: 大規模AIの現代において、連合学習はAIエージェントの大多数を訓練するための重要なツールになりつつあるが、その計算と通信のコストはエージェントの数とともに急速にスケールに失敗する可能性がある。
それぞれのエージェントは、自身の状態のみを使用し、アンサンブルの最小限のサマリ、すなわち平均場を用いて自律的に行動する。
我々は、一意の最適分散政策をクローズドな形で導出する。
最適性は、最低限のクオリティ/最小限の基準、すなわちアンサンブルで最も弱いエージェントによって引き起こされる最大オンラインコストを最小化することによって特徴づけられる。
さらに、結果として生じる分散化政策が、直接計算がスケーラブルでないナッシュ最適中央集権政策に漸近的に、大規模な人口制限の中で収束することを証明する。
オンライン重み付け機構を用いて、サーバが計算したクライアント予測の混合を最適化し、従来最適化されていた最弱クライアント予測に加えて、平均予測を改善する。
数値実験は、我々の理論的保証を検証し、我々の分散された政策が典型的に自然の欲求的な分散されたベースラインを上回ることを実証する。
関連論文リスト
- Karma Mechanisms for Decentralised, Cooperative Multi Agent Path Finding [7.187733825162918]
MAPF(Multi-Agent Path Finding)は、大規模ロボットおよびサイバー物理システムにおける協調問題である。
本稿では,カーマ機構に基づくMAPFのための分散協調フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-09T08:35:13Z) - Towards a Science of Scaling Agent Systems [79.64446272302287]
エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。
協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。
ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
論文 参考訳（メタデータ） (2025-12-09T06:52:21Z) - Networked Communication for Mean-Field Games with Function Approximation and Empirical Mean-Field Estimation [59.01527054553122]
分散エージェントは、経験的システムの非絶対的実行から平均フィールドゲームにおいて平衡を学ぶことができる。
既存の設定に関数近似を導入し,Munchausen Online Mirror Descent 方式で描画する。
ポリシー情報の交換は,ネットワーク化されたエージェントが,機能近似設定において,独立エージェントと集中エージェントの両方より優れていることを示す。
論文 参考訳（メタデータ） (2024-08-21T13:32:46Z) - DePAint: A Decentralized Safe Multi-Agent Reinforcement Learning Algorithm considering Peak and Average Constraints [1.1549572298362787]
本稿では,この問題を解決するために,モーメントに基づく分散勾配法DePaintを提案する。
これは、ピーク制約と平均制約の両方を考慮した、プライバシ保存で完全に分散化されたマルチエージェント強化学習アルゴリズムとしては初めてのものである。
論文 参考訳（メタデータ） (2023-10-22T16:36:03Z) - Learning-Augmented Decentralized Online Convex Optimization in Networks [40.142341503145275]
本稿では,ネットワーク型マルチエージェントシステムにおける分散オンライン凸最適化について検討する。
個人エージェントがローカルなオンライン情報のみに基づいてアクションを選択するための新しいアルゴリズムであるLearning-Augmented Decentralized Online Optimization (LADO)を提案する。
論文 参考訳（メタデータ） (2023-06-16T19:58:39Z) - Communication-Efficient Zeroth-Order Distributed Online Optimization:
Algorithm, Theory, and Applications [9.045332526072828]
本稿では,目標追跡のためのフェデレーション学習環境におけるマルチエージェントゼロ階オンライン最適化問題に焦点を当てる。
提案手法は、2つの関連するアプリケーションにおけるエラーとエラーの観点からさらに解析される。
論文 参考訳（メタデータ） (2023-06-09T03:51:45Z) - Monotonic Improvement Guarantees under Non-stationarity for
Decentralized PPO [66.5384483339413]
我々は,MARL(Multi-Agent Reinforcement Learning)における分散政策の最適化のための新しい単調改善保証を提案する。
本研究では,訓練中のエージェント数に基づいて,独立した比率を限定することにより,信頼領域の制約を原則的に効果的に実施可能であることを示す。
論文 参考訳（メタデータ） (2022-01-31T20:39:48Z) - Adaptive Stochastic ADMM for Decentralized Reinforcement Learning in
Edge Industrial IoT [106.83952081124195]
強化学習 (Reinforcement Learning, RL) は, 意思決定および最適制御プロセスのための有望な解法として広く研究されている。
本稿では,Adaptive ADMM (asI-ADMM)アルゴリズムを提案する。
実験の結果,提案アルゴリズムは通信コストやスケーラビリティの観点から技術状況よりも優れており,複雑なIoT環境に適応できることがわかった。
論文 参考訳（メタデータ） (2021-06-30T16:49:07Z) - Decentralized Reinforcement Learning: Global Decision-Making via Local
Economic Transactions [80.49176924360499]
我々は、シーケンシャルな意思決定問題を解決するために、単純で専門的で自己関心のあるエージェントの社会を指示する枠組みを確立する。
我々は分散強化学習アルゴリズムのクラスを導出する。
我々は、より効率的な移動学習のための社会固有のモジュラー構造の潜在的な利点を実証する。
論文 参考訳（メタデータ） (2020-07-05T16:41:09Z) - F2A2: Flexible Fully-decentralized Approximate Actor-critic for
Cooperative Multi-agent Reinforcement Learning [110.35516334788687]
分散マルチエージェント強化学習アルゴリズムは複雑なアプリケーションでは実践的でないことがある。
本稿では,大規模で汎用的なマルチエージェント設定を扱える,柔軟な完全分散型アクター批判型MARLフレームワークを提案する。
当社のフレームワークは,大規模環境におけるスケーラビリティと安定性を実現し,情報伝達を低減できる。
論文 参考訳（メタデータ） (2020-04-17T14:56:29Z) - Decentralized MCTS via Learned Teammate Models [89.24858306636816]
本稿では,モンテカルロ木探索に基づくトレーニング可能なオンライン分散計画アルゴリズムを提案する。
深層学習と畳み込みニューラルネットワークを用いて正確なポリシー近似を作成可能であることを示す。
論文 参考訳（メタデータ） (2020-03-19T13:10:20Z)
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。