Fugu-MT 論文翻訳(概要): Distributed Non-Uniform Scaling Control of Multi-Agent Formation with Dynamic Agent Joining

論文の概要: Distributed Non-Uniform Scaling Control of Multi-Agent Formation with Dynamic Agent Joining

arxiv url: http://arxiv.org/abs/2605.29191v1
Date: Thu, 28 May 2026 00:08:27 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-30 02:45:55.567012
Title: Distributed Non-Uniform Scaling Control of Multi-Agent Formation with Dynamic Agent Joining
Title（参考訳）: 動的エージェント接合によるマルチエージェント形成の分散非均一スケーリング制御
Authors: Tao He, Gangshan Jing,
Abstract要約: フォーメーションの非一様スケーリング制御により、マルチエージェントシステムは、異なる座標軸に沿って異なる比でスケーリングすることで、その形状を調整できる。本稿では,任意の次元における一様でないスケーリング操作において,新たなエージェントを組み込む分散制御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）: 13.447458529252776
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Non-uniform scaling control of formation enables multi-agent systems to adjust their shape by scaling with different ratios along different coordinate axes, offering enhanced flexibility in complex environments. However, like most existing formation maneuver strategies, it typically assumes a fixed set of agents, limiting its applicability in scenarios requiring dynamic team expansion. This paper introduces a distributed control framework that enables a formation to incorporate new agents during non-uniform scaling maneuvers in arbitrary dimensions while preserving the spectral properties of the graph Laplacian. Simulation examples validate the effectiveness of the theoretical results.
Abstract（参考訳）: フォーメーションの非一様スケーリング制御により、マルチエージェントシステムは、異なる座標軸に沿って異なる比率でスケーリングすることで、その形状を調整でき、複雑な環境で柔軟性を向上することができる。しかしながら、既存の構成操作戦略と同様に、通常、固定されたエージェントセットを仮定し、動的なチーム拡張を必要とするシナリオで適用性を制限する。本稿では,グラフラプラシアンのスペクトル特性を保ちながら,任意の次元の非一様スケーリング操作中に新たなエージェントを組み込む分散制御フレームワークを提案する。シミュレーション例では、理論結果の有効性が検証されている。

関連論文リスト

When Gradient Optimization Is Not Enough: $\dagger$ Dispersive and Anchoring Geometric Regularizer for Multimodal Learning [7.598111859541752]
我々は,表現幾何学をマルチモーダル学習において欠落する制御軸として認識し,軽量な幾何認識正規化フレームワークであるregNameを提案する。 regNameは、表現の多様性を促進するモード内分散正規化と、厳密なアライメントなしでサンプルレベルのクロスモーダルドリフトを束縛するモード間アンカー正規化の2つの補完的制約を施行する。複数のマルチモーダルベンチマークによる実験では、マルチモーダルとユニモーダルの両方のパフォーマンスが一貫した改善を示し、表現幾何学の明示的な制御がモダリティトレードオフを効果的に緩和することを示した。
論文参考訳（メタデータ） (2026-01-29T13:03:50Z)
Flexible Multitask Learning with Factorized Diffusion Policy [59.526246520933135]
マルチタスク学習は、ロボットの行動分布が多様で多様な性質を持つため、大きな課題となる。既存のモノリシックモデルは、しばしばアクション分布に不適合であり、効率的な適応に必要な柔軟性に欠ける。本稿では,複雑な行動分布を特殊拡散モデルの合成に分解する,新しいモジュラー拡散政策フレームワークを提案する。
論文参考訳（メタデータ） (2025-12-26T07:11:47Z)
An Integrated Fusion Framework for Ensemble Learning Leveraging Gradient Boosting and Fuzzy Rule-Based Models [59.13182819190547]
ファジィ規則に基づくモデルは解釈可能性に優れ、様々な分野に広く応用されている。複雑な設計仕様や大規模データセットのスケーラビリティといった課題に直面している。本稿では,モデル性能と解釈可能性を高めるために,両パラダイムの強みを融合した統合統合フレームワークを提案する。
論文参考訳（メタデータ） (2025-11-11T10:28:23Z)
GeoAda: Efficiently Finetune Geometric Diffusion Models with Equivariant Adapters [61.51810815162003]
制御された生成タスクに対してフレキシブルかつパラメータ効率の良い微調整を可能にするSE(3)-equivariant Adapter framework(GeoAda)を提案する。 GeoAdaは、過剰適合と破滅的な忘れを緩和しながら、モデルの幾何的一貫性を保っている。我々は、フレーム制御、グローバル制御、サブグラフ制御、広範囲のアプリケーションドメインを含む多様な幾何学的制御タイプにまたがるGeoAdaの適用性を実証する。
論文参考訳（メタデータ） (2025-07-02T18:44:03Z)
Adaptive Spatial Augmentation for Semi-supervised Semantic Segmentation [51.645152962504056]
半教師付きセマンティックセグメンテーションでは、データ拡張は弱い一貫性の規則化フレームワークにおいて重要な役割を果たす。空間増強はSSSSのモデルトレーニングに寄与するが,弱い面と強い面の間には一貫性のないマスクが生じる。本稿では,各インスタンスのエントロピーに基づいて動的に拡張を調整する適応的拡張戦略を提案する。
論文参考訳（メタデータ） (2025-05-29T13:35:48Z)
Multi-Agent Collaboration via Evolving Orchestration [55.574417128944226]
大規模言語モデル(LLM)は、様々な下流タスクで顕著な成果を上げているが、そのモノリシックな性質は複雑な問題解決におけるスケーラビリティと効率を制限している。 LLMに基づくマルチエージェントコラボレーションのためのパウチスタイルのパラダイムを提案し,タスク状態の進化に応じて,中央集権的なオーケストレータ("puppeteer")がエージェント("puppets")を動的に指示する。クローズドドメインおよびオープンドメインシナリオの実験により,この手法は計算コストを低減し,優れた性能が得られることが示された。
論文参考訳（メタデータ） (2025-05-26T07:02:17Z)
Symmetries-enhanced Multi-Agent Reinforcement Learning [25.383183391244373]
エージェントが複雑な協調行動を学ぶための強力なフレームワークとして、マルチエージェント強化学習が登場した。近年の進歩は、システム固有の対称性を政策に組み込むことによって、これらの問題を緩和しようとしている。本稿では,マルチエージェントシステムに外部対称性を組み込むための新しい枠組みを提案する。
論文参考訳（メタデータ） (2025-01-02T08:41:31Z)
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)
Distributed Control of Partial Differential Equations Using Convolutional Reinforcement Learning [4.241839874199518]
本稿では,複雑性を著しく低減する畳み込みフレームワークを提案する。したがって,偏微分方程式(PDE)によって制御される力学系の分散強化学習制御のための計算作業について述べる。高次元分散制御問題は, 同一の非結合エージェントが多数存在する多エージェント制御問題に変換できる。計算資源の最小化により,低次元の深い決定論的政策勾配エージェントを訓練することにより,安定化を実現する。
論文参考訳（メタデータ） (2023-01-25T17:55:30Z)

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。