論文の概要: SCALE-COMM: Shared, Contrastively-Aligned Latent Embeddings for MARL Communication

• arxiv url: http://arxiv.org/abs/2605.27532v1
• Date: Tue, 26 May 2026 18:06:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.393523
• Title: SCALE-COMM: Shared, Contrastively-Aligned Latent Embeddings for MARL Communication
• Title（参考訳）: SCALE-COMM:MARL通信のための共有・コントラスト対応遅延埋め込み
• Authors: Mahmoud Abouelyazid, Eman Hammad,
• Abstract要約: 本稿では,コンパクトで安定なコミュニケーション表現を学習するための自己教師型フレームワークを提案する。 学習した通信空間は, 政策微調整による安定性, サンプル効率, スループットの向上を図っている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Emergent communication enables partially observant Autonomous Mobile Robots (AMRs) to coordinate effectively in decentralized multi-agent reinforcement learning (MARL) settings. However, existing approaches often struggle with unstable communication protocols, ungrounded message semantics, and interference between communication learning and policy optimization, leading to degraded coordination over time. We propose SCALE-COMM (Shared, Contrastively-Aligned Latent Embeddings for COMMunication), a self-supervised framework for learning compact, stable, and policy-relevant communication representations. SCALE-COMM decouples communication learning from policy optimization by training low-dimensional latent messages that capture task-relevant planning and traffic information, while enforcing consistency across agents and time. Across standard MARL benchmarks and a realistic warehouse coordination task, SCALE-COMM consistently outperforms existing communication frameworks in both representation quality and task performance. The learned communication space yields improved stability, sample efficiency, and throughput under policy fine-tuning, demonstrating the effectiveness of representation-driven communication for scalable multi-agent coordination.
• Abstract（参考訳）: 創発的コミュニケーションにより、部分観測型自律移動ロボット(AMR)は、分散マルチエージェント強化学習(MARL)設定において効果的に協調することができる。 しかし、既存のアプローチは不安定な通信プロトコルやメッセージセマンティクス、コミュニケーション学習とポリシー最適化の干渉に悩まされ、時間の経過とともに調整が悪化する。 コンパクト・安定・ポリシー関連コミュニケーション表現を学習する自己教師型フレームワークであるSCALE-COMM(Shared, Contrastively-Aligned Latent Embeddings for COMMunication)を提案する。 SCALE-COMMは、タスク関連計画とトラフィック情報をキャプチャする低次元潜在メッセージのトレーニングと、エージェントと時間間の一貫性の強化によって、ポリシー最適化からのコミュニケーション学習を分離する。 標準のMARLベンチマークと現実的な倉庫調整タスクを通して、SCALE-COMMは、表現品質とタスクパフォーマンスの両方において、既存の通信フレームワークよりも一貫して優れています。 学習された通信空間は、ポリシーの微調整の下での安定性、サンプル効率、スループットを改善し、スケーラブルなマルチエージェント協調のための表現駆動型通信の有効性を実証する。

関連論文リスト

• Multi-Agent Reinforcement Learning with Communication-Constrained Priors [22.124940712335434]
  コミュニケーションは、マルチエージェントシステムにおける協調政策の学習を改善する効果的な手段の1つである。 コミュニケーションを伴う既存のマルチエージェント強化学習は、複雑で動的な現実世界環境に適用するのに苦労する。 本稿では,コミュニケーションメッセージが世界的報酬に与える影響を定量化する,コミュニケーション制約付き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。
  論文  参考訳（メタデータ） (2025-12-03T07:35:07Z)
• Robust and Efficient Communication in Multi-Agent Reinforcement Learning [18.405707681765453]
  マルチエージェント強化学習(MARL)は,自律エージェント間の協調行動の実現に大きく貢献している。 既存のほとんどのアプローチは、通信は瞬時に、信頼性があり、帯域幅が無制限であると仮定している。 本調査は, 現実的な制約下でのMARLの堅牢かつ効率的な通信戦略の最近の進歩を体系的にレビューする。
  論文  参考訳（メタデータ） (2025-11-14T15:23:11Z)
• Learning to Interact in World Latent for Team Coordination [53.51290193631586]
  本研究は,多エージェント強化学習(MARL)におけるチーム協調を支援するために,対話型ワールドラテント(IWoL)という新しい表現学習フレームワークを提案する。 コミュニケーションプロトコルを直接モデル化することにより,エージェント間関係とタスク固有の世界情報とを協調的にキャプチャする学習可能な表現空間を構築する。 私たちの表現は、各エージェントの暗黙のラテントとしてだけでなく、コミュニケーションのための明示的なメッセージとしても使用できます。
  論文  参考訳（メタデータ） (2025-09-29T22:13:39Z)
• Communicating Plans, Not Percepts: Scalable Multi-Agent Coordination with Embodied World Models [0.0]
  MARL(Multi-Agent Reinforcement Learning)の中心的な疑問は、通信プロトコルを設計するか、エンドツーエンドで学習するかである。 本稿では,協調的なタスク割り当て問題に対する2つのコミュニケーション戦略を提案し,比較する。 我々の実験によると、創発的コミュニケーションは単純な設定で実現可能であるが、設計された世界モデルベースのアプローチは、複雑さが増大するにつれて、優れたパフォーマンス、サンプル効率、スケーラビリティを示す。
  論文  参考訳（メタデータ） (2025-08-04T21:29:07Z)
• Reward-Independent Messaging for Decentralized Multi-Agent Reinforcement Learning [7.872846260392537]
  MARL-CPCは、完全に分散化された独立したエージェント間の通信を可能にするフレームワークである。 アクション空間の一部としてメッセージを扱う従来の方法とは異なり、MARL-CPCはメッセージを状態推論にリンクする。 ベンチマークの結果、Bandit-CPCとIPPO-CPCは標準的なメッセージ・アズ・アクション・アプローチよりも優れていた。
  論文  参考訳（メタデータ） (2025-05-28T05:23:47Z)
• Communication Learning in Multi-Agent Systems from Graph Modeling Perspective [62.13508281188895]
  本稿では,エージェント間の通信アーキテクチャを学習可能なグラフとして概念化する手法を提案する。 本稿では,各エージェントに対して時間的ゲーティング機構を導入し,ある時間に共有情報を受信するかどうかの動的決定を可能にする。
  論文  参考訳（メタデータ） (2024-11-01T05:56:51Z)
• Learning Multi-Agent Communication from Graph Modeling Perspective [62.13508281188895]
  本稿では,エージェント間の通信アーキテクチャを学習可能なグラフとして概念化する手法を提案する。 提案手法であるCommFormerは,通信グラフを効率よく最適化し,勾配降下によるアーキテクチャパラメータをエンドツーエンドで並列に洗練する。
  論文  参考訳（メタデータ） (2024-05-14T12:40:25Z)
• Learning Multi-Agent Communication with Contrastive Learning [3.816854668079928]
  本稿では,コミュニケーション的メッセージが環境状態の異なる不完全なビューと見なされる,別の視点を紹介する。 送信したメッセージと受信したメッセージの関係を調べることで,コントラスト学習を用いてコミュニケーションを学ぶことを提案する。 通信環境において,本手法は性能と学習速度の両面で,従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-07-03T23:51:05Z)
• Learning Structured Communication for Multi-agent Reinforcement Learning [104.64584573546524]
  本研究では,マルチエージェント強化学習(MARL)環境下での大規模マルチエージェント通信機構について検討する。 本稿では、より柔軟で効率的な通信トポロジを用いて、LSC(Learning Structured Communication)と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-11T07:19:45Z)

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。