論文の概要: Learning Multi-Agent Coordination via Sheaf-ADMM

• arxiv url: http://arxiv.org/abs/2605.31005v1
• Date: Fri, 29 May 2026 08:39:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.479213
• Title: Learning Multi-Agent Coordination via Sheaf-ADMM
• Title（参考訳）: Sheaf-ADMMによるマルチエージェントコーディネーションの学習
• Abstract要約: 入力は重なり合うローカルビューに分解され、それぞれがニューラルエンコーダによってパラメータ化された凸サブプロブレムを解くエージェントによって処理される。 エージェントは、細胞シーフによって指定されたエージェント間制約を持つ乗算器の交互方向法を介して調整する。 局所的な視点が不十分なエージェントが協調して正確なグローバルアウトプットを生成することを学習する,迷路パスフィニング,画像分類,スドゥークについて検討した。
• 参考スコア（独自算出の注目度）: 2.236663830879273
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a differentiable optimization framework for multi-agent coordination. An input is decomposed into overlapping local views, each processed by an agent that solves a convex subproblem parameterized by a neural encoder. Agents coordinate through the Alternating Direction Method of Multipliers (ADMM) with inter-agent constraints specified by a cellular sheaf. The sheaf specifies which aspects of neighboring solutions must agree, allowing for heterogeneous notions of global consensus. Backpropagating through the unrolled optimization jointly trains all components of the multi-agent system. We evaluate on maze pathfinding, image classification, and Sudoku, where agents with individually insufficient local views learn to coordinate to produce correct global outputs. On MNIST, the local-view decomposition yields improved robustness to distribution shifts relative to a standard CNN. On Sudoku, the optimization-derived structure yields markedly higher solve rates than parameter-matched MPNN baselines. Finally, the ADMM structure exposes distinct primal, consensus, and dual state variables, opening the coordination dynamics to direct analysis and intervention -- a property unavailable in standard message-passing architectures.
• Abstract（参考訳）: マルチエージェント協調のための微分可能な最適化フレームワークを提案する。 入力は重なり合うローカルビューに分解され、それぞれがニューラルエンコーダによってパラメータ化された凸サブプロブレムを解くエージェントによって処理される。 エージェントは、細胞シーフによって規定されるエージェント間制約と、ALMM(Alternating Direction Method of Multipliers)を介して調整する。 この層は、隣り合う解のどの面が一致しなければならないかを規定し、大域的なコンセンサスという異種の概念を許容する。 アンロール最適化によるバックプロパゲーションは、マルチエージェントシステムのすべてのコンポーネントを共同で訓練する。 局所的な視点が不十分なエージェントが協調して正確なグローバルアウトプットを生成することを学習する,迷路パスフィニング,画像分類,スドゥークについて検討した。 MNISTでは、ローカルビュー分解により、標準CNNに対する分布シフトに対するロバスト性が向上する。 Sudokuでは、最適化に基づく構造はパラメータマッチングMPNNベースラインよりも明らかに高い解率が得られる。 最後に、ADMM構造は、異なるプリミティブ、コンセンサス、二重状態変数を公開し、コーディネーションのダイナミクスを直接解析と介入に開放する -- 標準的なメッセージパッシングアーキテクチャでは利用できないプロパティである。

関連論文リスト

• Localized Anomaly Detection via Differentiable D-vine Copulas [3.071933369858584]
  そこで本研究では,完全微分可能実装によって実現された勾配に基づく最大推定をビーム探索戦略と組み合わせた新しい推定手法を提案する。 適応D-vine上に構築された局所的異常検出フレームワークは,階層的分解を利用してグローバルな異常スコアとエッジレベルの説明を生成する。 提案するフレームワークを,ベンチマークと実世界の両方のデータセットで評価し,不確実性を伴う異常検出の解釈の有効性を実証した。
  論文  参考訳（メタデータ） (2026-07-27T19:29:26Z)
• Learning to Act and Cooperate for Distributed Black-Box Consensus Optimization [4.633828400918887]
  分散ブラックボックスコンセンサス最適化はマルチエージェントシステムにおける基本的な問題である。 本稿では,リソース適応協調フレームワークを活性化するための段階的認知スケジューリング戦略を提案する。
  論文  参考訳（メタデータ） (2026-05-01T14:30:38Z)
• AffectAgent: Collaborative Multi-Agent Reasoning for Retrieval-Augmented Multimodal Emotion Recognition [62.16431420189863]
  LLMに基づくマルチモーダル感情認識は静的なパラメトリックメモリに依存しており、ニュアンス化された感情状態の解釈時にしばしば幻覚を与える。 本稿では,感情指向型マルチエージェント検索拡張生成フレームワークであるAffectAgentを紹介する。 AffectAgentは3つの共同最適化されたエージェント、すなわちクエリプランナー、エビデンスフィルタ、感情生成器から構成される。
  論文  参考訳（メタデータ） (2026-04-14T13:49:19Z)
• UniMRSeg: Unified Modality-Relax Segmentation via Hierarchical Self-Supervised Compensation [104.59740403500132]
  マルチモーダルイメージセグメンテーションは、不完全/破損したモダリティの劣化による実際のデプロイメント課題に直面している。 階層型自己教師型補償(HSSC)による統一Modality-relaxセグメンテーションネットワーク(UniMRSeg)を提案する。 我々のアプローチは、入力レベル、特徴レベル、出力レベルをまたいだ完全なモダリティと不完全なモダリティの間の表現ギャップを階層的に橋渡しします。
  論文  参考訳（メタデータ） (2025-09-19T17:29:25Z)
• Learning to Coordinate: Distributed Meta-Trajectory Optimization Via Differentiable ADMM-DDP [4.880846795915428]
  多様なタスクやエージェント構成に適応するために,L2C(Learning to Coordinate)を提案する。 L2CはADMM-DDPパイプラインを通じてエンドツーエンドを分散的に区別する。 最先端の手法よりも高速な勾配計算を実現する。
  論文  参考訳（メタデータ） (2025-09-01T17:17:05Z)
• FedDuA: Doubly Adaptive Federated Learning [2.6108066206600555]
  フェデレーション学習(Federated Learning)は、クライアントが生データを共有せずにグローバルモデルを共同でトレーニングする分散学習フレームワークである。 我々は、ミラー降下レンズによる中央サーバ最適化手順を定式化し、FedDuAと呼ばれる新しいフレームワークを提案する。 提案した2次適応型ステップサイズルールは最小限最適であり,凸対象に対する収束解析を提供する。
  論文  参考訳（メタデータ） (2025-05-16T11:15:27Z)
• Aligned Divergent Pathways for Omni-Domain Generalized Person Re-Identification [30.208890289394994]
  Person ReIDは、完全に監督され、ドメインが一般化された Person R e ID において著しく進歩している。 本稿では,Omni-Domain Generalization Person ReID(ODG-ReID)を提案する。 提案手法は,ベースアーキテクチャを元のバックボーンのテールをコピーしてマルチブランチ構造に変換する。
  論文  参考訳（メタデータ） (2024-10-11T02:36:11Z)
• Accelerating Distributed Optimization: A Primal-Dual Perspective on Local Steps [4.471962177124311]
  分散機械学習では、異なるデータを持つ複数のエージェントにまたがる線形変数が大きな課題となる。 本稿では,原変数上のラグランジアン収束を実現するフレームワークは,エージェント間通信を必要としないことを示す。
  論文  参考訳（メタデータ） (2024-07-02T22:14:54Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Multi-Agent MDP Homomorphic Networks [100.74260120972863]
  協調型マルチエージェントシステムでは、エージェントの異なる構成とそれらの局所的な観察の間に複雑な対称性が生じる。 単エージェント強化学習における既存の対称性の研究は、完全に集中した環境にのみ一般化できる。 本稿では,ローカル情報のみを用いた分散実行が可能なネットワークのクラスであるマルチエージェントMDPホモモルフィックネットワークを提案する。
  論文  参考訳（メタデータ） (2021-10-09T07:46:25Z)
• Permutation Invariant Policy Optimization for Mean-Field Multi-Agent Reinforcement Learning: A Principled Approach [128.62787284435007]
  本稿では,平均場近似ポリシ最適化(MF-PPO)アルゴリズムを提案する。 我々は,MF-PPOが収束のサブ線形速度で世界的最適政策を達成することを証明した。 特に、置換不変ニューラルアーキテクチャによって引き起こされる誘導バイアスは、MF-PPOが既存の競合より優れていることを示す。
  論文  参考訳（メタデータ） (2021-05-18T04:35:41Z)
• Dynamic Federated Learning [57.14673504239551]
  フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。 我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。 集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
  論文  参考訳（メタデータ） (2020-02-20T15:00:54Z)

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。