論文の概要: Decentralized Multi-agent Reinforcement Learning for Resilient Critical Infrastructures
- arxiv url: http://arxiv.org/abs/2607.18359v1
- Date: Mon, 20 Jul 2026 12:43:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.200248
- Title: Decentralized Multi-agent Reinforcement Learning for Resilient Critical Infrastructures
- Title（参考訳）: レジリエンスクリティカルインフラストラクチャのための分散マルチエージェント強化学習
- Abstract要約: 分散マルチエージェント強化学習(MARL)は、分散実行による集中型トレーニングの代替として理解されるべきである。
信用割当とコミュニケーションは、その実用可能性の2つの中心的な条件である。
全体として、本稿は、MARLをレジリエントなクリティカルインフラストラクチャーのための、有望だが条件付き基盤として再編成する。
- 参考スコア（独自算出の注目度）: 1.5469452301122175
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Critical infrastructures are increasingly distributed, interdependent, and exposed to evolving disruptions, making resilience a central requirement for their operation and control. This paper argues that decentralized multi-agent reinforcement learning (MARL) should be understood not merely as a distributed alternative to centralized training with decentralized execution but as a paradigm structurally aligned with the requirements of resilient critical infrastructures. This perspective is grounded in an analysis of the properties of decentralized MARL and the requirements of critical infrastructures, including scalability to large numbers of agents, support for privacy and local autonomy, robustness to failures, and interaction-driven adaptation among interdependent components. However, structural alignment alone is insufficient for practical deployment. This paper identifies credit assignment and communication as two central conditions for its practical feasibility. Credit assignment determines whether local learning remains aligned with system-level objectives, while communication determines whether coordination can be learned and maintained under realistic operational constraints. Building on these challenges, this paper proposes a research agenda focused on structure-aware, causality-aware, and resilience-aware credit assignment; communication for both coordination and credit assignment; and safe, timely, and recoverable decentralized learning under deployment constraints. Overall, this paper reframes decentralized MARL as a promising but conditional foundation for resilient critical infrastructures.
- Abstract（参考訳）: 重要なインフラストラクチャは、ますます分散し、相互依存し、進化する破壊に晒され、レジリエンスが運用と制御の中心的な要件になる。
本稿では、分散型マルチエージェント強化学習(MARL)は、分散学習の分散代替としてだけではなく、レジリエントなクリティカルインフラストラクチャの要件に構造的に整合したパラダイムとして理解されるべきである、と論じる。
この観点は、分散化されたMARLの特性と、多数のエージェントへのスケーラビリティ、プライバシとローカル自律性のサポート、障害に対する堅牢性、相互依存コンポーネント間のインタラクション駆動適応など、重要なインフラストラクチャの要件の分析に基礎を置いている。
しかし、構造的整合性だけでは実際の配備には不十分である。
本稿では,クレジットの割り当てとコミュニケーションを,現実的な実現可能性のための2つの中心的条件として認識する。
クレジットの割り当ては、局所的な学習がシステムレベルの目的と一致しているかどうかを判断し、コミュニケーションは、現実的な運用上の制約の下で調整が学べるか、維持できるかを決定する。
本稿では,これらの課題を解決すべく,構造認識,因果認識,レジリエンス認識のクレジット・アサインメント,コーディネーションとクレジット・アサインの両面でのコミュニケーション,配置制約下での安全かつタイムリーかつ回復可能な分散学習などに焦点を当てた研究課題を提案する。
全体として、本稿は、MARLをレジリエントなクリティカルインフラストラクチャーのための、有望だが条件付き基盤として再編成する。
関連論文リスト
- Trustworthy, Explainable, and Sustainable Decentralized Intelligence for 6G Networks [40.96834401764948]
6Gネットワークは動的でマルチドメインのエッジクラウド連続体で動作する。
セキュリティは、この分散パラダイムの主要な実現手段として機能します。
本稿では、分散化、信頼性、説明可能性、持続可能性を共同で設計する必要があると論じる。
論文 参考訳（メタデータ） (2026-09-12T10:52:53Z) - Edge-AI-Driven Learning-to-Rank for Decentralized Task Allocation in Circular Smart Manufacturing [54.4933359656657]
本研究は,ランクアウェア交渉に基づくエッジAI駆動型分散タスク割り当てフレームワークを提案する。
ランキング対応の定式化は、最終的に学習目標を再認識し、勝者選択の順序付けに基づく性質に適合する。
その結果, 高負荷下での遅延および期限順守が向上し, より厳密な制約下でのエネルギー効率が向上した。
論文 参考訳（メタデータ） (2026-05-14T20:38:25Z) - Sovereign Agents: Towards Infrastructural Sovereignty and Diffused Accountability in Decentralized AI [1.5755923640031846]
本稿では,暗号的自己カストディ,分散実行環境,およびプロトコルによる連続性足場エージェント主権の理解のための分析レンズとしてのインフラ主権を提案する。
このようなシステムの主権は、インフラの硬さによって決定されるスペクトル上に存在し、基盤となる技術システムが介入や崩壊に抵抗する程度である。
論文 参考訳（メタデータ） (2026-02-16T17:30:17Z) - Toward a Sustainable Federated Learning Ecosystem: A Practical Least Core Mechanism for Payoff Allocation [71.86087908416255]
最小コア(LC)概念に基づく配当フレームワークを提案する。
従来の方法とは異なり、LCは最大の不満を最小限に抑えてフェデレーションの凝集を優先する。
統合侵入検知におけるケーススタディは、我々のメカニズムが重要な貢献者や戦略的提携を正しく識別できることを実証している。
論文 参考訳（メタデータ） (2026-02-03T11:10:50Z) - Federated Attention: A Distributed Paradigm for Collaborative LLM Inference over Edge Networks [63.541114376141735]
大規模言語モデル(LLM)は、さまざまなアプリケーションシナリオにまたがってインテリジェントな機能を提供しながら、急速に普及しています。
しかし、彼らの共同シナリオにおける実践的なデプロイは、プライバシの脆弱性、通信オーバーヘッド、計算ボトルネックといった根本的な課題に直面します。
我々はフェデレート・アテンション(FedAttn)を提案し、フェデレーション・パラダイムを自己注意機構に統合する。
論文 参考訳（メタデータ） (2025-11-04T15:14:58Z) - Protocol Learning, Decentralized Frontier Risk and the No-Off Problem [56.74434512241989]
私たちは第3のパラダイムであるプロトコル学習(Protocol Learning)を特定します。
このアプローチは、単一の集中型エンティティよりも桁違いに多くの計算資源を集約する可能性がある。
また、不均一で信頼性の低いノード、悪意のある参加者、インセンティブを維持するために抽出不可能なモデルの必要性、複雑なガバナンスのダイナミクスなど、新しい課題も導入されている。
論文 参考訳（メタデータ） (2024-12-10T19:53:50Z) - InfraLib: Enabling Reinforcement Learning and Decision-Making for Large-Scale Infrastructure Management [1.0499611180329806]
InfraLibは、インフラ管理の問題をモデリングし分析するためのオープンソースのモジュラーフレームワークである。
階層的で劣化したモデルを実装し、現実的な部分的な可観測性をサポートし、実用的な制約を処理する。
InfraLibは、専門家データ収集とポリシー評価のためのツールとともに、意思決定アプローチのベンチマークのための標準化された環境を提供する。
論文 参考訳（メタデータ） (2024-09-05T01:54:29Z) - Exploring the Robustness of Decentralized Training for Large Language
Models [51.41850749014054]
大規模な言語モデルの分散トレーニングは、この技術を民主化するための効果的な方法として現れてきた。
本稿では,3つの主要な視点から,分散学習の堅牢性について考察する。
論文 参考訳（メタデータ） (2023-12-01T04:04:03Z) - The Impact of Adversarial Node Placement in Decentralized Federated Learning Networks [6.661122374160369]
連邦学習(FL)の人気が高まるにつれ、新しい分散フレームワークが広まりつつある。
本稿では,ネットワーク内の配置を協調的に調整できる各種対向配置戦略において,分散FLの性能を解析する。
本稿では,敵同士の平均ネットワーク距離を最大化することにより,敵の中央性よりも敵の拡散を優先する新たな攻撃アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-11-14T06:48:50Z) - Networked Communication for Decentralised Agents in Mean-Field Games [59.01527054553122]
平均フィールドゲームフレームワークにネットワーク通信を導入する。
当社のアーキテクチャは、中央集権型と独立した学習ケースの双方で保証されていることを証明しています。
ネットワーク化されたアプローチは、障害の更新や人口規模の変化に対する堅牢性という点において、両方の選択肢に対して大きなメリットがあることが示されています。
論文 参考訳（メタデータ） (2023-06-05T10:45:39Z) - Decentralized Reinforcement Learning: Global Decision-Making via Local
Economic Transactions [80.49176924360499]
我々は、シーケンシャルな意思決定問題を解決するために、単純で専門的で自己関心のあるエージェントの社会を指示する枠組みを確立する。
我々は分散強化学習アルゴリズムのクラスを導出する。
我々は、より効率的な移動学習のための社会固有のモジュラー構造の潜在的な利点を実証する。
論文 参考訳（メタデータ） (2020-07-05T16:41:09Z)
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。