論文の概要: Plug-and-Play Reweighting for Resilient Collaborative Decision-Making in Connected Autonomous Driving

• arxiv url: http://arxiv.org/abs/2607.10037v1
• Date: Fri, 10 Jul 2026 23:36:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.280634
• Title: Plug-and-Play Reweighting for Resilient Collaborative Decision-Making in Connected Autonomous Driving
• Title（参考訳）: 連系自律運転における弾力性協調意思決定のためのプラグ・アンド・プレイリヘアリング
• Abstract要約: 協力者の知覚的ノイズと 敵対的攻撃は 決定の信頼性に深刻な影響を及ぼす 本稿では,アテンションベースエンコーダとアテンションベースデコーダからなる新しいレジリエント・コラボレーティブ・コラボレーティブ・メイキング・フレームワークを提案する。 このアプローチは既存のメソッドを最大26%上回り、最先端のレジリエントなパフォーマンスを実現しています。
• 参考スコア（独自算出の注目度）: 35.0382657479364
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Collaborative decision-making is a fundamental capability in multi-robot systems, such as connected autonomous vehicles. However, perceptual noise and adversarial attacks in collaborators can severely affect decision reliability. Overall, existing methods typically rely on retraining with attack-specific defenses or on restrictive perturbation assumptions to improve resilience, which limits their practicality. In this paper, we propose a novel Resilient Collaborative Decision-Making (RCDM) framework that consists of an attention-based encoder for extracting individual robot perceptual embeddings and an attention-based decoder for fusing collaborator perceptions and making decisions. To improve resilience to corrupted observations, we design a novel plug-and-play reweighting module that down-weights the influence of corrupted inputs by analyzing the consistency of neighborhood points relative to the local structure and assigning smaller weights to points that deviate strongly from the local median. This module can be seamlessly integrated into attention-based collaborative decision-making without requiring additional training. We evaluate our method in high-fidelity simulations, considering perceptual noise and five types of attacks across diverse accident-prone scenarios. Experimental results demonstrate that our approach consistently outperforms existing methods by up to 26% and achieves state-of-the-art resilient performance.
• Abstract（参考訳）: 協調的な意思決定は、接続された自動運転車のようなマルチロボットシステムにおける基本的な能力である。 しかし、協調作業者の知覚ノイズや敵対的攻撃は、意思決定の信頼性に深刻な影響を及ぼす可能性がある。 全体的には、既存の手法は一般的に攻撃固有の防御や弾力性を改善するために制限的な摂動仮定による再訓練に頼っている。 本稿では,ロボットの知覚埋め込みを抽出するアテンションベースのエンコーダと,コラボレータの認識を融合させ,意思決定を行うアテンションベースのデコーダからなる,新しいResilient Collaborative Decision-Making(RCDM)フレームワークを提案する。 劣化した観測に対するレジリエンスを向上させるため,局所構造に対する近傍点の整合性を解析し,局所中央値から大きく逸脱した点に小さな重みを割り当てることで,劣化した入力の影響を小さくする新しいプラグアンドプレイリウェイトモジュールを設計した。 このモジュールは、追加のトレーニングを必要とせずに、注意に基づく共同意思決定にシームレスに統合することができる。 各種事故発生シナリオにおける知覚ノイズと5種類の攻撃を考慮した高忠実度シミュレーションにおいて,本手法の評価を行った。 実験の結果,提案手法は既存の手法を最大26%上回り,最先端のレジリエンス性能を実現していることがわかった。

関連論文リスト

• IADD-TR: Intervention-Aware Dynamics Decoupling with Targeted Regularization for Model-Based Reinforcement Learning [57.16513298507272]
  IADD-TRは、IADD(Intervention-Aware Dynamics Decoupling)とTR(Targeted Regularization)を組み合わせた統合フレームワークである。 IADDは、ゼロアクションアンカーを用いて、アクション干渉段階とアクションフリー自然進化段階への遷移を分解し、堅牢な一般化のためにこの2段階の分解の非特異性を解決する。 政策学習においては,リプレイ状態の政策段階関数の効率的な影響関数からTRを導出する。
  論文  参考訳（メタデータ） (2026-08-11T08:20:02Z)
• Adaptive Robust Estimator for Multi-Agent Reinforcement Learning [27.595086716369483]
  協調推論のための頑健な多エージェント強化学習フレームワークを提案する。 Dual-Agent Answer-Critique-Rewrite (DACR)とAdaptive Robust Estimator (ARE)の2つのコンポーネントで構成されている。
  論文  参考訳（メタデータ） (2026-03-23T04:51:15Z)
• UACER: An Uncertainty-Aware Critic Ensemble Framework for Robust Adversarial Reinforcement Learning [15.028168889991795]
  頑健な対人強化学習(UACER)のための新しいアプローチである不確実性に配慮した批判アンサンブルを提案する。 本稿では,頑健な対人強化学習(UACER)のための新しいアプローチ,不確実性に配慮した批判アンサンブルを提案する。
  論文  参考訳（メタデータ） (2025-12-11T10:14:13Z)
• Bayesian and Multi-Objective Decision Support for Real-Time Cyber-Physical Incident Mitigation [6.852472228194646]
  本研究では,サイバー物理システムにおけるサイバーインシデントを軽減するためのリアルタイム適応型意思決定支援フレームワークを提案する。 重要なインフラにおけるこれらのシステムへの依存の高まりと、敵の戦術の進化に対応するために開発された。
  論文  参考訳（メタデータ） (2025-08-31T09:47:38Z)
• STARec: An Efficient Agent Framework for Recommender Systems via Autonomous Deliberate Reasoning [54.28691219536054]
  我々は、自律的な熟考的推論機能を備えたレコメンデータシステムを支援する、ゆっくり考えられた拡張エージェントフレームワークSTARecを紹介する。 我々は,先進的推論モデルと嗜好整合型報酬形成から構造化知識の蒸留を組み合わせた2段階のパラダイムであるアンカー強化訓練を開発する。 MovieLens 1MとAmazon CDsベンチマークの実験では、STARecは最先端のベースラインと比較して、大幅なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-08-26T08:47:58Z)
• FedAA: A Reinforcement Learning Perspective on Adaptive Aggregation for Fair and Robust Federated Learning [5.622065847054885]
  Federated Learning (FL)は、分散デバイス間でのプライバシ保護モデルトレーニングのための有望なアプローチとして登場した。 我々はtextbfAdaptive textbfAggregation を通じてクライアントのコントリビューションを最適化する textbfFedAA という新しい手法を導入し、悪意のあるクライアントに対するモデルロバスト性を高める。
  論文  参考訳（メタデータ） (2024-02-08T10:22:12Z)
• On the Complexity of Adversarial Decision Making [101.14158787665252]
  決定推定係数は, 相手の意思決定に対する後悔度を低く抑えるのに必要であり, 十分であることを示す。 我々は、決定推定係数を他のよく知られた複雑性尺度の変種に結びつける新しい構造結果を提供する。
  論文  参考訳（メタデータ） (2022-06-27T06:20:37Z)
• Reinforcement Learning with a Terminator [80.34572413850186]
  我々は, TerMDP のパラメータを学習し, 推定問題の構造を活用し, 状態ワイドな信頼境界を提供する。 我々はこれらを用いて証明可能な効率のよいアルゴリズムを構築し、終端を考慮し、その後悔を抑える。
  論文  参考訳（メタデータ） (2022-05-30T18:40:28Z)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)
• Efficient Empowerment Estimation for Unsupervised Stabilization [75.32013242448151]
  エンパワーメント原理は 直立位置での 力学系の教師なし安定化を可能にする 本稿では,ガウスチャネルとして動的システムのトレーニング可能な表現に基づく代替解を提案する。 提案手法は, サンプルの複雑さが低く, 訓練時より安定であり, エンパワーメント機能の本質的特性を有し, 画像からエンパワーメントを推定できることを示す。
  論文  参考訳（メタデータ） (2020-07-14T21:10:16Z)

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。