論文の概要: Interaction-Breaking Adversarial Learning Framework for Robust Multi-Agent Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2605.18024v1
• Date: Mon, 18 May 2026 08:14:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:49.114496
• Title: Interaction-Breaking Adversarial Learning Framework for Robust Multi-Agent Reinforcement Learning
• Title（参考訳）: 頑健なマルチエージェント強化学習のためのインタラクション・ブレーキング・逆学習フレームワーク
• Authors: Sunwoo Lee, Mingu Kang, Yonghyeon Jo, Seungyul Han,
• Abstract要約: 協調はマルチエージェント強化学習(MARL)の中心である 本稿では,協調を阻害する攻撃を構築するために,情報理論的な視点を取り入れた対話破りの逆学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 8.730052972910157
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cooperation is central to multi-agent reinforcement learning (MARL), yet learned coordination can be fragile when external perturbations disrupt inter-agent interactions. Prior robust MARL methods have primarily considered value-oriented attacks, leaving a gap in robustness when interaction structures themselves are corrupted. In this paper, we propose an interaction-breaking adversarial learning (IBAL) framework that takes an information-theoretic view to construct attacks that impede coordination by perturbing agents' observations and actions, and trains agents to perform reliably under such disruptions. Empirically, our approach improves robustness over existing robust MARL baselines across diverse attack settings and yields stronger performance even under agent-missing scenarios.
• Abstract（参考訳）: 協調はマルチエージェント強化学習(MARL)の中心であるが、外部摂動がエージェント間相互作用を妨害する場合、学習された協調は脆弱である。 従来のロバストなMARL法は、主に価値指向攻撃を考慮しており、相互作用構造自体が破損した場合のロバストさのギャップを残している。 本稿では,エージェントの観察と行動によって協調を阻害する攻撃を情報理論的な視点で構築し,エージェントがそのような破壊の下で確実に行動するように訓練する,インタラクションブレーキング・敵学習(IBAL)フレームワークを提案する。 実験的に,本手法は,多様な攻撃設定にまたがる既存の堅牢なMARLベースラインに対するロバスト性を向上し,エージェントミスシナリオにおいてもより強力なパフォーマンスを実現する。

関連論文リスト

• Unsafe by Reciprocity: How Generation-Understanding Coupling Undermines Safety in Unified Multimodal Models [53.41258113970795]
  統一マルチモーダルモデル(UMM)における相互機能相互性自体が脆弱性の構造的源となっているかを検討する。 相互相互作用に基づくクロスファンクショナル・ファンクショナル・エクスプロイテーションは, 理解と生成の間の双方向の相互作用を明示的に活用する, 新たな攻撃パラダイムである。
  論文  参考訳（メタデータ） (2026-03-28T16:28:39Z)
• Sparse Threats, Focused Defense: Criticality-Aware Robust Reinforcement Learning for Safe Autonomous Driving [11.62520853262219]
  本稿では、自律運転におけるスパースかつ安全クリティカルなリスクに対処するために、臨界対応ロバストRL(CARRL)を導入する。 CARRLは2つの相互作用成分からなる: リスク露光敵 (REA) とリスクターゲット型ロバストエージェント (RTRA) である。 提案手法は,最先端のベースライン法と比較して,全症例で少なくとも22.66%の衝突率を減少させることを示す。
  論文  参考訳（メタデータ） (2026-01-05T05:20:16Z)
• 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)
• AdvEvo-MARL: Shaping Internalized Safety through Adversarial Co-Evolution in Multi-Agent Reinforcement Learning [78.5751183537704]
  AdvEvo-MARLは、タスクエージェントに安全性を内部化する、共進化型マルチエージェント強化学習フレームワークである。 外部ガードに頼るのではなく、AdvEvo-MARLは攻撃者と防御者を共同で最適化する。
  論文  参考訳（メタデータ） (2025-10-02T02:06:30Z)
• Exploiting Structure in Offline Multi-Agent RL: The Benefits of Low Interaction Rank [52.831993899183416]
  相互作用ランクという構造的仮定を導入し、相互作用ランクの低い関数が一般的なものよりも分布シフトに対して著しく堅牢であることを示す。 我々は,非正規化と非正規化学習と組み合わせることで,オフラインMARLにおける分散的,計算的,統計的に効率的な学習が可能であることを実証した。
  論文  参考訳（メタデータ） (2024-10-01T22:16:22Z)
• Multi-granular Adversarial Attacks against Black-box Neural Ranking Models [111.58315434849047]
  多粒性摂動を取り入れた高品質な逆数例を作成する。 我々は,多粒体攻撃を逐次的意思決定プロセスに変換する。 本手法は,攻撃の有効性と非受容性の両方において,一般的なベースラインを超えている。
  論文  参考訳（メタデータ） (2024-04-02T02:08:29Z)
• Decentralized Adversarial Training over Graphs [44.03711922549992]
  近年、敵攻撃に対する機械学習モデルの脆弱性が注目されている。 マルチエージェントシステムのための分散逆数フレームワークを開発する。
  論文  参考訳（メタデータ） (2023-03-23T15:05:16Z)
• Combating Exacerbated Heterogeneity for Robust Models in Federated Learning [91.88122934924435]
  対人訓練と連合学習の組み合わせは、望ましくない頑丈さの劣化につながる可能性がある。 我々は、Slack Federated Adversarial Training (SFAT)と呼ばれる新しいフレームワークを提案する。 各種ベンチマークおよび実世界のデータセットに対するSFATの合理性と有効性を検証する。
  論文  参考訳（メタデータ） (2023-03-01T06:16:15Z)
• Collaboration Promotes Group Resilience in Multi-Agent AI [8.467900703972788]
  レジリエンスのマルチエージェント変種を,グループレジリエンスと呼ぶ形で導入し,形式化する。 我々はさらに、他のエージェントとのコラボレーションがグループレジリエンスを達成するための鍵である、という仮説を立てている。 実験の結果, 協調的アプローチが非協調的アプローチよりも高いグループレジリエンスを達成できることが判明した。
  論文  参考訳（メタデータ） (2021-11-12T09:03:19Z)

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。