論文の概要: Adversarial Training for Robust Coverage Network under Worst-case Facility Losses

• arxiv url: http://arxiv.org/abs/2605.26763v1
• Date: Tue, 26 May 2026 09:36:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.793896
• Title: Adversarial Training for Robust Coverage Network under Worst-case Facility Losses
• Title（参考訳）: 最悪の施設損失下におけるロバスト被覆網の敵対的訓練
• Authors: Changhao Miao, Yuntian Zhang, Tongyu Wu, Fang Deng, Chen Chen,
• Abstract要約: 本稿では,最大被覆位置-干渉問題の解法として,デュアルエージェント深層強化学習フレームワークを提案する。 我々のフレームワークは、ネットワーク構造に非依存であり、その基盤となる対数学習パラダイムは、他の二段階最適化問題を解く強力な可能性を示している。
• 参考スコア（独自算出の注目度）: 8.616895584914579
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Maximal Covering Location-Interdiction Problem (MCLIP) is a classic bi-level optimization problem, which is fundamental to resilient infrastructure planning yet remains computationally intractable. Specifically, the upper level determines facility locations to maximize coverage, while the lower level executes worst-case interdiction to minimize the coverage. The strong coupling between the upper and lower levels, combined with their respective high combinatorial complexity, renders traditional methods ineffective. To bridge this gap, we propose a Dual-Agent Deep Reinforcement Learning (DADRL) framework based on adversarial learning, comprising a location agent corresponding to the upper level and an interdiction agent corresponding to the lower level. Our contributions are threefold: (1) The location agent is trained simultaneously against an evolving interdiction agent, making it effectively capture the dynamic competitive interplay between the upper and lower levels; (2) To fully exploit the learned capabilities of the interdiction agent, we propose a Surrogate-based Ensemble Inference Strategy that utilizes the trained interdiction agent as a high-fidelity surrogate to guide the decisions of location agent; (3) Extensive experiments on synthetic and real-world datasets demonstrate that our approach achieves superior computational efficiency while maintaining highly competitive solution quality compared to other baselines. Furthermore, our DADRL framework is model-agnostic to network structures, while its underlying adversarial learning paradigm demonstrates strong potential for solving other bi-level optimization problems.
• Abstract（参考訳）: MCLIP(Maximal Covering Location-Interdiction Problem)は、古典的な二段階最適化問題であり、レジリエンスなインフラ計画の基礎でありながら、計算的に難解である。 具体的には、上層がカバー範囲を最大化するための施設位置を決定する一方、下層はカバー範囲を最小化するために最悪のケースインターディクションを実行する。 上層と下層の間の強い結合は、それぞれの高い組合せ複雑性と組み合わさって、従来の手法を効果的にしない。 このギャップを埋めるために, 対角学習に基づくデュアルエージェント深層強化学習(DADRL)フレームワークを提案する。 本研究の貢献は,(1) 位置情報エージェントを進化する対話エージェントに対して同時に訓練し,上層と下層の動的競争的相互作用を効果的に捉えること,(2) 対話エージェントの学習能力を完全に活用すること,(2) トレーニングされた対話エージェントを高信頼度代理として活用し,位置情報エージェントの決定を導くこと,(3) 合成および実世界のデータセットに対する広範な実験により,我々のアプローチが他のベースラインと比較して優れた計算効率を達成し,競争力の高いソリューション品質を維持することを示すこと,の3つである。 さらに、DADRLフレームワークはネットワーク構造に非依存であり、その基盤となる対角学習パラダイムは、他の二段階最適化問題を解く強力な可能性を示している。

関連論文リスト

• Weak-Link Optimization for Multi-Agent Reasoning and Collaboration [24.206703927810825]
  LLM駆動のマルチエージェントフレームワークは、マルチロールコラボレーションを通じて複雑な推論タスクに対処する。 既存のアプローチは、個々のエージェントエラーがコラボレーションによって増幅される、推論不安定に悩まされることが多い。 性能制限エージェントの識別と強化のためのフレームワークであるWORCを提案する。
  論文  参考訳（メタデータ） (2026-04-17T11:36:20Z)
• QoS-Aware Hierarchical Reinforcement Learning for Joint Link Selection and Trajectory Optimization in SAGIN-Supported UAV Mobility Management [52.15690855486153]
  宇宙空間統合ネットワーク (SAGIN) がユビキタスUAV接続を実現するための重要なアーキテクチャとして登場した。 本稿では,SAGINにおけるUAVモビリティ管理を制約付き多目的関節最適化問題として定式化する。
  論文  参考訳（メタデータ） (2025-12-17T06:22:46Z)
• Vulnerable Agent Identification in Large-Scale Multi-Agent Reinforcement Learning [49.31650627835956]
  システムがスケールアップすると、部分的なエージェントの障害は避けられないものとなり、全体的なパフォーマンスが著しく低下するエージェントのサブセットを特定することが重要になる。 本稿では,大規模マルチエージェント強化学習(MARL)における脆弱性エージェント識別(VAI)問題について検討する。 実験により, 大規模MARLおよびルールベースシステムにおいて, より脆弱なエージェントを効果的に同定し, システムを悪用し, それぞれのエージェントの脆弱性を明らかにする値関数を学習した。
  論文  参考訳（メタデータ） (2025-09-18T16:03:50Z)
• CR-BLEA: Contrastive Ranking for Adaptive Resource Allocation in Bilevel Evolutionary Algorithms [9.411648722302711]
  双レベル最適化は、ネスト構造のため、重要な計算上の課題となる。 本稿では,二段階進化アルゴリズムのための新しい資源配分フレームワークを提案する。 我々のフレームワークは、解の正確性を維持しながら、計算コストを大幅に削減します。
  論文  参考訳（メタデータ） (2025-06-03T17:31:49Z)
• A Primal-Dual-Assisted Penalty Approach to Bilevel Optimization with Coupled Constraints [66.61399765513383]
  We developed a BLOCC algorithm to tackle BiLevel Optimization problems with Coupled Constraints。 2つのよく知られた実世界のアプリケーションでその効果を実証する。
  論文  参考訳（メタデータ） (2024-06-14T15:59:36Z)
• Joint Unsupervised and Supervised Training for Automatic Speech Recognition via Bilevel Optimization [73.98386682604122]
  両レベル共同教師なし・教師付き訓練(BL-JUST)と呼ばれる自動音声認識(ASR)タスクのための音響モデルのトレーニングのための,バイレベル最適化に基づく新たなトレーニング手法を提案する。 BL-JUSTは、教師なしの損失と教師なしの損失で下層と上層を最適化し、最近のペナルティベースの二レベル最適化の進歩を利用して、安価で複雑なASR問題と厳密な収束を保証する。
  論文  参考訳（メタデータ） (2024-01-13T05:01:47Z)
• HAVEN: Hierarchical Cooperative Multi-Agent Reinforcement Learning with Dual Coordination Mechanism [17.993973801986677]
  多エージェント強化学習はしばしば、多数のエージェントによって引き起こされる指数関数的に大きな作用空間に悩まされる。 完全協調型マルチエージェント問題に対する階層的強化学習に基づく新しい値分解フレームワークHAVENを提案する。
  論文  参考訳（メタデータ） (2021-10-14T10:43:47Z)

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。