Fugu-MT 論文翻訳(概要): Mesh-RL: Coupled subgrid reinforcement learning

論文の概要: Mesh-RL: Coupled subgrid reinforcement learning

arxiv url: http://arxiv.org/abs/2606.26333v1
Date: Wed, 24 Jun 2026 19:16:34 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-26 18:46:32.062814
Title: Mesh-RL: Coupled subgrid reinforcement learning
Title（参考訳）: Mesh-RL: 結合型サブグリッド強化学習
Abstract要約: Mesh-RLは有限要素法と領域分解理論に着想を得た空間領域分解フレームワークである。環境を重なり合うサブグリッドに分割し、境界一貫性のある時間差更新を実行する。危険度の高いグリッド-ワールド環境におけるメッシュ-RLの評価を行った。
参考スコア（独自算出の注目度）: 0.8192907805418583
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Reinforcement learning in large or sparse-reward environments suffers from slow temporal-difference reward propagation, as value information spreads only locally across the state space. We propose Mesh-RL, a spatial domain-decomposition framework inspired by the finite element method and domain decomposition theory, which partitions the environment into overlapping subgrids and enforces boundary-consistent temporal-difference updates. Such an approach enables localized learning while ensuring globally coherent value propagation. Unlike hierarchical or model-based approaches, Mesh-RL accelerates long-range credit assignment without modifying the reward function, Bellman operator, or introducing explicit planning mechanisms. We evaluate Mesh-RL on hazard-dense grid-world environments with varying geometries and mesh resolutions. Across Q-learning, SARSA, and Dyna-Q, Mesh-RL consistently improves convergence speed, cumulative reward, and learning stability. Higher mesh resolutions sustain exploration, prevent premature convergence, and substantially accelerate value propagation to distant states. While Dyna-Q already benefits from internal planning, it still achieves additional gains under structured decomposition. Overall, Mesh-RL introduces a principled spatial domain-decomposition mechanism for accelerating temporal-difference learning. Our framework bridges finite element method-inspired boundary-consistency techniques from scientific computing with reinforcement learning to improve sample efficiency in sparse-reward environments. We will release source code of the study.
Abstract（参考訳）: 大規模ないしスパース・リワード環境における強化学習は、時間差報酬の伝播が遅い。有限要素法と領域分解理論に着想を得た空間領域分解フレームワークであるMesh-RLを提案する。このようなアプローチは,グローバルなコヒーレントな価値伝搬を確保しつつ,局所的な学習を可能にする。階層的あるいはモデルベースのアプローチとは異なり、Mesh-RLは報酬関数、ベルマン演算子、明示的な計画機構を導入することなく、長距離クレジット割り当てを加速する。危険度の高いグリッド-ワールド環境におけるメッシュ-RLの評価を行った。 Q-learning、SARSA、Dyna-Q全体で、Mesh-RLは収束速度、累積報酬、学習安定性を一貫して改善する。より高いメッシュ解像度は探索を持続し、早期収束を防ぎ、遠方の状態への価値伝播を著しく加速する。 Dyna-Qは、すでに内部計画の恩恵を受けているが、構造化された分解の下でさらに利益を得ることができる。全体として、Mesh-RLは時間差学習を加速する空間領域分割機構を導入している。本フレームワークは, 有限要素法にインスパイアされた境界整合性技術と強化学習を併用し, スパース・リワード環境における試料効率を向上する。私たちはその研究のソースコードをリリースします。

関連論文リスト

Cross-Sample Relational Fusion: Unifying Domain Generalization and Class-Incremental Learning [83.67663266193308]
CIL(Class-Incremental Learning)は、学習システムにおいて、それまでの知識を維持しつつ、新しいクラスを学ぶことを必要とする。自動運転車のような現実のシナリオでは、晴れた日に都市部の道路で訓練されたシステムは、後に農村部や高速道路環境で運用する必要がある。ドメインシフトと破滅的な忘れを同時に解決する統合フレームワークを提案する。
論文参考訳（メタデータ） (2026-05-09T09:49:13Z)
Breaking the Grid: Distance-Guided Reinforcement Learning in Large Discrete and Hybrid Action Spaces [4.395837214164745]
距離誘導型強化学習(DGRL)を提案し,最大10$text20$アクションを持つ空間における効率的なRLを実現する。定常および不規則に構造化された環境における最先端ベンチマークに対して,最大66%の性能向上を示す。
論文参考訳（メタデータ） (2026-02-09T13:05:07Z)
Sample-Efficient Neurosymbolic Deep Reinforcement Learning [49.60927398960061]
本稿では,背景記号知識を統合し,サンプル効率を向上させるニューロシンボリックディープRL手法を提案する。オンライン推論は2つのメカニズムを通じてトレーニングプロセスのガイドを行う。我々は、最先端の報奨機ベースラインよりも優れた性能を示す。
論文参考訳（メタデータ） (2026-01-06T09:28:53Z)
CoCo-Fed: A Unified Framework for Memory- and Communication-Efficient Federated Learning at the Wireless Edge [50.42067935605982]
ローカルメモリの効率とグローバル通信の削減を両立させる新しい圧縮・結合型学習フレームワークを提案する。 CoCo-Fedは、メモリと通信効率の両方において最先端のベースラインを著しく上回り、非IID設定下では堅牢な収束を維持している。
論文参考訳（メタデータ） (2026-01-02T03:39:50Z)
Nemotron-Cascade: Scaling Cascaded Reinforcement Learning for General-Purpose Reasoning Models [71.9060068259379]
汎用推論モデルを構築するために,ケースド・ドメインワイド強化学習を提案する。私たちの14Bモデルは、RLの後、LiveCodeBench v5/v6 ProでSFTの教師であるDeepSeek-R1-0528を上回り、インフォマティクスにおける2025 International Olympiad in Informatics (IOI)における銀の医療性能を上回りました。
論文参考訳（メタデータ） (2025-12-15T18:02:35Z)
Meta Hierarchical Reinforcement Learning for Scalable Resource Management in O-RAN [9.290879387995401]
本稿では,モデル非依存型メタラーニング(MAML)に触発された適応型メタ階層型強化学習フレームワークを提案する。このフレームワークは階層的な制御とメタラーニングを統合し、グローバルとローカルの両方の適応を可能にする。ネットワークスケールの増加に伴い、適応と一貫性のある公平性、レイテンシ、スループットのパフォーマンスが最大40%向上する。
論文参考訳（メタデータ） (2025-12-08T08:16:27Z)
World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks [53.98633183204453]
本稿では,車載ネットワークにおけるパケット完全性認識情報(CAoI)の年齢を最小化するために,新しい世界モデルに基づく学習フレームワークを提案する。 mmWave V2X環境の動的モデルを共同で学習し、リンクスケジューリングの方法を学ぶための軌跡を想像するために使用する世界モデルフレームワークを提案する。特に、長期的な政策は環境相互作用の代わりに、異なる想像軌道で学習される。
論文参考訳（メタデータ） (2025-05-03T06:23:18Z)
Advanced deep-reinforcement-learning methods for flow control: group-invariant and positional-encoding networks improve learning speed and quality [0.7421845364041001]
本研究は,流路制御のための深部強化学習法(DRL)の進歩である。グループ不変ネットワークと位置エンコーディングをDRLアーキテクチャに統合することに注力する。提案手法はRayleigh-B'enard対流のケーススタディを用いて検証した。
論文参考訳（メタデータ） (2024-07-25T07:24:41Z)
Stragglers-Aware Low-Latency Synchronous Federated Learning via Layer-Wise Model Updates [71.81037644563217]
同期フェデレーションラーニング(FL)は、協調エッジラーニングの一般的なパラダイムである。一部のデバイスは計算資源が限られており、様々な可用性があるため、FLレイテンシはストラグラーに非常に敏感である。本稿では,NNの最適化手法をバックプロパゲーションにより活用し,グローバルモデルを階層的に更新するストラグラー対応層対応学習(SALF)を提案する。
論文参考訳（メタデータ） (2024-03-27T09:14:36Z)
RIS-empowered Topology Control for Distributed Learning in Urban Air Mobility [35.04722426910211]
アーバン・エアモビリティ(UAM)は、輸送システムの革命として想定される、地上から地上に近い空間に車両を拡大する。この課題を克服するために、リソース制限されたデバイスが協調的に深層学習(DL)を行うことを可能にするために、フェデレーション・ラーニング(FL)や他の協調学習が提案されている。本稿では,分散学習を支援する再構成可能なインテリジェントサーフェス (RIS) について検討する。
論文参考訳（メタデータ） (2024-03-08T08:05:50Z)
Decentralized Federated Reinforcement Learning for User-Centric Dynamic TFDD Control [37.54493447920386]
非対称かつ不均一なトラフィック要求を満たすための学習に基づく動的時間周波数分割二重化(D-TFDD)方式を提案する。分散化された部分観測可能なマルコフ決定過程(Dec-POMDP)として問題を定式化する。本稿では,グローバルリソースを分散的に最適化するために,Wolpertinger Deep Deterministic Policy gradient (FWDDPG)アルゴリズムという,連合強化学習(RL)アルゴリズムを提案する。
論文参考訳（メタデータ） (2022-11-04T07:39:21Z)

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。