論文の概要: Early to Share, Late to Save: Synchronisation-Driven Communication Gating in Bandwidth-Constrained Cooperative VLN
- arxiv url: http://arxiv.org/abs/2607.08504v1
- Date: Thu, 09 Jul 2026 14:00:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-10 14:45:27.556749
- Title: Early to Share, Late to Save: Synchronisation-Driven Communication Gating in Bandwidth-Constrained Cooperative VLN
- Title（参考訳）: 帯域制限付き協調VLNにおける同期駆動型コミュニケーションゲーティング
- Abstract要約: textbfhindsight Gatingは、ナビゲーション障害からの通信クリティカルなステップにラベルを付ける、ライトウェイトな管理ゲートである。
本研究は,帯域制限型エンボディエージェントのための新しい通信システムを構築した。
- 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: Most cooperative Vision-Language Navigation (VLN) methods assume unlimited communication, not considering real-world applications where bandwidth is restricted and information efficiency is critical. We introduce \textbf{bandwidth-constrained cooperative VLN} and propose \textbf{hindsight gating}: a lightweight supervised gate that labels communication-critical steps post-hoc from navigation failures, avoiding the high variance of REINFORCE. Contrary to the intuition that agents should communicate when uncertain, we observe a consistent counter-intuitive pattern: trained gates fire predominantly in early episode steps and more often when agents are confident, across all budget levels ($B \in \{1,3,5\}$). We explain this through \textbf{recurrent hidden-state alignment}: early communication injects grounded trajectory representations that persist and compound through subsequent Gated Recurrent Unit (GRU) updates, achieving $+0.072$ cumulative alignment gain with $B{=}3$ transmissions, approaching unconstrained communication ($+0.078$) at 260\% greater alignment efficiency than random gating ($+0.020$) and 320\% greater efficiency than entropy-based gating ($+0.017$). Our results establish a new communication regime for bandwidth-limited embodied agents: synchronise representations early, navigate independently later. Our codebase is available at: https://github.com/AravG13/bandwidth-constrained-cooperative-vln
- Abstract（参考訳）: 多くの協調型ビジョン・ランゲージ・ナビゲーション(VLN)手法は、帯域幅が制限され情報効率が重要となる現実世界のアプリケーションを考えるのではなく、無制限の通信を前提としている。
本稿では,移動障害からの通信クリティカルなステップをポストホックにラベル付けし,REINFORCEの高分散を回避する軽量な制御ゲートである。
エージェントが不確実な場合にはコミュニケーションすべきという直観とは対照的に、我々は一貫した反直観的パターンを観察する:訓練されたゲートは、初期の段階において主に発射され、エージェントが自信を持つ場合には、すべての予算レベル(B \in \{1,3,5\}$)にわたって発射される(B \in \{1,3\}$)。
初期通信は、後続のGated Recurrent Unit(GRU)更新を通じて持続・複合する基底軌道表現を注入し、$+0.072$の累積アライメントゲインを$B{=}3$の送信で達成し、ランダムゲーティング(+0.020$)よりも260\%高いアライメント効率(+0.078$)とエントロピーベースのゲーティング(+0.017$)よりも320\%高い効率で非拘束通信(+0.078$)にアプローチする。
本研究は,帯域制限型エンボダイドエージェントのための新しい通信システムを構築し,表現を早期に同期させ,後で独立してナビゲートする。
私たちのコードベースは、https://github.com/AravG13/bandwidth-constrained-cooperative-vlnで利用可能です。
関連論文リスト
- Dynamic Coalition Formation and Communication Pricing in Skill-Based Agentic AI Systems [0.0]
タスク条件付きネットユーティリティ$U(Cmid x)=V(Cmid x)-sum_iin Cc_i$との協調ゲームとしてエージェントの選択と通信をモデル化する。
本稿では,限界値のアクティベーションルールとgreedyルータを提案し,そのモデルを拡張してエッジ毎のコストで通信エッジを最適化し,推定したShapley値を用いて,実行前後にどのエージェントが接触する価値があるかを推定する。
論文 参考訳（メタデータ） (2026-07-24T19:25:21Z) - From $O(mn)$ to $O(r^2)$: Two-Sided Low-Rank Communication for Adam in Distributed Training with Memory Efficiency [28.885724420612323]
我々は,Adamファミリー更新(TSR-Adam)における双方向低ランク通信を実現するTSRを提案する。
サブスペースリフレッシュからのピーク通信をさらに削減するため、TSR-AdamはSVDベースのリフレッシュを採用した。
TSR-Adamは60Mから1Bのモデルスケールで事前トレーニングを行い、ステップ毎の平均通信バイトを13倍に削減し、GLUEの微調整では通信を25倍に削減し、同等のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-02-08T15:23:09Z) - DP-CSGP: Differentially Private Stochastic Gradient Push with Compressed Communication [71.60998478544028]
本稿では,分散学習グラフのための圧縮通信(termedfrac-CSGP)を用いた差分的プライベート・グラディエント・プッシュを提案する。
一般の非数学的かつ滑らかな目的関数に対して,本アルゴリズムは高精度かつ効率的な通信を実現するために設計されていることを示す。
論文 参考訳（メタデータ） (2025-12-15T17:37:02Z) - Multi-Agent Stage-wise Conservative Linear Bandits [2.2557806157585834]
マルチエージェントネットワーク設定における線形帯域幅問題について検討する。
エージェントは段階的に保守的な制約を満たす必要がある。
我々は,行動選択とコンセンサス構築フェーズの交互に行うエピソードアルゴリズムMA-SCLUCBを提案する。
論文 参考訳（メタデータ） (2025-10-01T07:29:18Z) - Streaming DiLoCo with overlapping communication: Towards a Distributed Free Lunch [66.84195842685459]
大規模言語モデル(LLM)のトレーニングは通常、トレーニング時間を短縮するために、多数のアクセラレータに分散される。
近年、DiLoCoのような分散アルゴリズムはそのようなコロケーション制約を緩和している。
我々は、数十億のパラメータのトレーニングを分散し、以前と同じような品質に到達できることを実験的に示す。
論文 参考訳（メタデータ） (2025-01-30T17:23:50Z) - Federated Combinatorial Multi-Agent Multi-Armed Bandits [79.1700188160944]
本稿では,Banditを用いたオンライン最適化に適したフェデレーション学習フレームワークを提案する。
この設定では、エージェントのアームサブセットは、個々のアーム情報にアクセスせずにこれらのサブセットに対するノイズの多い報酬を観察し、特定の間隔で協力して情報を共有することができる。
論文 参考訳（メタデータ） (2024-05-09T17:40:09Z) - $\textbf{A}^2\textbf{CiD}^2$: Accelerating Asynchronous Communication in
Decentralized Deep Learning [0.0]
このアルゴリズムは、$textbfA2textbfCiD2$という連続的な局所運動量のおかげで動作する。
我々の理論解析は、以前の非同期分散ベースラインと比較して加速速度を証明している。
我々は、最大64の非同期ワーカーを使用して、ImageNetデータセットに一貫した改善を示す。
論文 参考訳（メタデータ） (2023-06-14T06:52:07Z) - Cooperative Multi-Agent Reinforcement Learning: Asynchronous
Communication and Linear Function Approximation [77.09836892653176]
マルコフ決定過程の設定におけるマルチエージェント強化学習について検討した。
本稿では非同期通信が可能な値に基づく証明可能な効率的なアルゴリズムを提案する。
我々は、コラボレーションによってパフォーマンスを改善するために、最小の$Omega(dM)$通信の複雑さが必要であることを示す。
論文 参考訳（メタデータ） (2023-05-10T20:29:29Z) - A Simple and Provably Efficient Algorithm for Asynchronous Federated
Contextual Linear Bandits [77.09836892653176]
我々は,M$エージェントが相互に協力して,中央サーバの助けを借りて,グローバルなコンテキスト線形バンドイット問題を解決するためのフェデレーション付きコンテキスト線形バンドイットについて検討した。
すべてのエージェントが独立して動作し、ひとつのエージェントとサーバ間の通信が他のエージェントの通信をトリガーしない非同期設定を考える。
texttFedLinUCBの後悔は$tildeO(dsqrtsum_m=1M T_m)$で、通信の複雑さは$tildeO(dM)であることを示す。
論文 参考訳（メタデータ） (2022-07-07T06:16:19Z) - BEER: Fast $O(1/T)$ Rate for Decentralized Nonconvex Optimization with
Communication Compression [37.20712215269538]
コミュニケーション効率は大規模分散機械学習アプリケーションのボトルネックとして広く認識されている。
本稿では,勾配追跡と通信を併用したBEERを提案し,より高速に収束することを示す。
論文 参考訳（メタデータ） (2022-01-31T16:14:09Z) - Faster Non-Convex Federated Learning via Global and Local Momentum [57.52663209739171]
textttFedGLOMOは最初の(一階)FLtexttFedGLOMOアルゴリズムです。
クライアントとサーバ間の通信においても,我々のアルゴリズムは確実に最適である。
論文 参考訳（メタデータ） (2020-12-07T21:05:31Z) - Decentralized Multi-Agent Linear Bandits with Safety Constraints [31.67685495996986]
本研究では,N$エージェントのネットワークが協調して線形帯域最適化問題を解く分散線形帯域幅について検討する。
ネットワーク全体の累積的後悔を最小限に抑える完全分散アルゴリズム DLUCB を提案する。
私たちのアイデアは、より困難な、安全な盗賊の設定にもかかわらず、自然界に広まっています。
論文 参考訳（メタデータ） (2020-12-01T07:33:00Z)
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。