論文の概要: Relational Multi-Agent Reinforcement Learning for Dynamic Pricing in High-Speed Railway Markets

• arxiv url: http://arxiv.org/abs/2607.05179v1
• Date: Mon, 06 Jul 2026 14:58:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.200593
• Title: Relational Multi-Agent Reinforcement Learning for Dynamic Pricing in High-Speed Railway Markets
• Title（参考訳）: 高速鉄道市場における動的価格設定のための関係マルチエージェント強化学習
• Abstract要約: 自由化された鉄道システムでは、運転者は部分的に可観測性のある環境で価格を動的に設定しなければならない。 エージェントは、観測可能な市場データからのみ戦略的相互作用を推測することを学ぶ必要がある。 実運用単位のグラフとして環境を表現するエンティティグラフモデリング手法を提案する。 グラフに基づく表現学習を用いたマルチエージェントツインの深い決定論的ポリシー勾配アルゴリズムの拡張は、エンティティの特徴を処理します。
• 参考スコア（独自算出の注目度）: 5.680630061642918
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In liberalised railway systems, operators must set prices dynamically in an environment with partial observability, as they retain private information about their objectives and performance, where regulatory constraints prohibit communication or direct information exchange between competitors to prevent explicit collusion. Consequently, agents must learn to infer strategic interactions only from observable market data which presents a significant challenge for multi-agent reinforcement learning, where standard approaches typically treat observations as unstructured vectors, ignoring the underlying market topology that governs strategic interactions. To address this, an entity graph modelling approach is proposed, which represents the environment as a graph of operational units, rather than decision-making agents or static infrastructure, encoding competition, coordination, and connectivity relations between entities. Then, an extension of the multi-agent twin delayed deep deterministic policy gradient algorithm with graph-based representation learning processes the features of the entities through a multi-layer relational graph convolutional network and aggregates them via a learnt attention mechanism. Experimental results in a rail pricing reinforcement learning environment show that this novel framework achieves higher revenue and stability in two different settings of increasing market complexity compared to a representative selection of relational and non-relational baselines. The code is publicly available at: https://github.com/Kinrre/RelationalRailPricing-RL
• Abstract（参考訳）: 自由化された鉄道システムにおいては、事業者は目的や性能に関する私的な情報を保持するため、部分的に可観測性のある環境で価格を動的に設定しなければならない。 その結果、エージェントは、マルチエージェント強化学習において重要な課題となる、観測可能な市場データのみから戦略的な相互作用を推論し、標準的なアプローチは、通常、非構造化ベクトルとして観察を扱い、戦略的な相互作用を管理する基盤となる市場トポロジを無視しなければならない。 これを解決するために,決定エージェントや静的インフラストラクチャではなく,環境を運用単位のグラフとして表現し,コンペティション,コーディネーション,接続関係を符号化するエンティティグラフモデリング手法を提案する。 そして,グラフに基づく表現学習により,多層関係グラフ畳み込みネットワークを通じてエンティティの特徴を処理し,学習された注意機構を介して集約する多エージェント双対の深い決定論的ポリシー勾配アルゴリズムの拡張を行う。 レール価格強化学習環境における実験結果から,この新フレームワークは,関係性および非関係性ベースラインの代表的な選択と比較して,市場複雑性を増大させる2つの異なる設定において,高い収益と安定性を達成することが示された。 コードは、https://github.com/Kinrre/RelationalRailPricing-RLで公開されている。

関連論文リスト

• Multi-Agent Model-Based Reinforcement Learning with Joint State-Action Learned Embeddings [10.36125908359289]
  モデルに基づく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。 我々は変分自動エンコーダで訓練された世界モデルを設計し、状態-作用学習埋め込みを用いてモデルを増強する。 想像された軌道とSALEに基づく行動値とを結合することにより、エージェントは彼らの選択が集団的な結果にどのように影響するかをより深く理解する。
  論文  参考訳（メタデータ） (2026-02-13T01:57:21Z)
• Safe Heterogeneous Multi-Agent RL with Communication Regularization for Coordinated Target Acquisition [14.31446990918297]
  本稿では,分散型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。 構造的に異質なエージェントのチームが、ランダムに位置したターゲットを共同で発見し、取得することができる。
  論文  参考訳（メタデータ） (2026-01-13T08:30:43Z)
• Topology Identification and Inference over Graphs [61.06365536861156]
  グラフ上で進化するプロセスのトポロジの同定と推論は、脳、輸送、金融、電力、および社会的および情報ネットワークを含むタイムリーな応用に現れる。 本章では,多次元データに対するグラフトポロジ同定と統計的推測手法の概要について述べる。
  論文  参考訳（メタデータ） (2025-12-11T00:47:09Z)
• InterAgent: Physics-based Multi-agent Command Execution via Diffusion on Interaction Graphs [72.5651722107621]
  InterAgentはテキスト駆動型物理ベースのマルチエージェントヒューマノイド制御のためのエンドツーエンドフレームワークである。 本稿では,マルチストリームブロックを備えた自己回帰拡散トランスフォーマーを提案する。 また,空間依存性の微粒化を明示的に捉えた対話グラフのエクスセプション表現を提案する。
  論文  参考訳（メタデータ） (2025-12-08T10:46:01Z)
• ARAC: Adaptive Regularized Multi-Agent Soft Actor-Critic in Graph-Structured Adversarial Games [25.176860778665173]
  ARACは、エージェント依存をモデリングするためのアテンションベースのグラフニューラルネットワーク(GNN)と、適応的分散正規化機構を統合する。 ARACは、MARLベースラインと比較して、より高速な収束、最終的な成功率の向上、さまざまなエージェント間のスケーラビリティの向上を実現している。
  論文  参考訳（メタデータ） (2025-11-11T16:25:01Z)
• Graph Based Deep Reinforcement Learning Aided by Transformers for Multi-Agent Cooperation [2.8169258551959544]
  本稿では、グラフニューラルネットワーク(GNN)、深層強化学習(DRL)、マルチエージェント協調と集合タスク実行の強化のためのトランスフォーマーベースのメカニズムを統合する新しいフレームワークを提案する。 提案手法はGNNを用いて,適応グラフ構築によるエージェントエージェントとエージェントゴールの相互作用をモデル化し,制約付き通信下での効率的な情報集約と意思決定を可能にする。
  論文  参考訳（メタデータ） (2025-04-11T01:46:18Z)
• 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)
• Distributed Adaptive Learning Under Communication Constraints [54.22472738551687]
  本研究では,コミュニケーション制約下での運用を目的とした適応型分散学習戦略について検討する。 我々は,ストリーミングデータの連続的な観察から,オンライン最適化問題を解決しなければならないエージェントのネットワークを考える。
  論文  参考訳（メタデータ） (2021-12-03T19:23:48Z)
• Cooperative Policy Learning with Pre-trained Heterogeneous Observation Representations [51.8796674904734]
  事前訓練された異種観察表現を用いた新たな協調学習フレームワークを提案する。 エンコーダ-デコーダに基づくグラフアテンションを用いて、複雑な相互作用と異種表現を学習する。
  論文  参考訳（メタデータ） (2020-12-24T04:52:29Z)

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。