論文の概要: SIGMA: Structured Noise-Effect-Aware Grouped Multi-Agent Aggregation

• arxiv url: http://arxiv.org/abs/2608.26683v1
• Date: Thu, 27 Aug 2026 06:40:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.260573
• Title: SIGMA: Structured Noise-Effect-Aware Grouped Multi-Agent Aggregation
• Title（参考訳）: SIGMA: 構造的ノイズ効果を考慮したグループ型マルチエージェントアグリゲーション
• Abstract要約: 本稿では,協調構造を利用した階層的協調フレームワークであるSIGMAを提案し,雑音下で頑健な表現を学習する。 StarCraft IIにおける騒音・観測タスクの実験は、構造化されたノイズ効果を実証的に検証し、SIGMAが観測ノイズ下でのロバスト性を一貫して改善することを実証した。
• 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: Cooperative multi-agent reinforcement learning (MARL) faces significant challenges in maintaining robust coordination under noisy observations. Although observation disturbances are often introduced independently across agents, their downstream effects on cooperative decision-making can become structured through underlying cooperation structures. We characterize this phenomenon as structured noise effects, where noise-induced decision effects exhibit local correlation among agents with stronger task-related dependencies while remaining globally heterogeneous across different agents and local structures. Existing robust MARL methods, however, rarely explicitly characterize or exploit such structure-dependent noise effects. To address this limitation, we propose SIGMA, a hierarchical collaboration framework that exploits cooperation structures to learn robust representations under noisy observations. SIGMA first organizes agents into adaptive local structures through density-based grouping and performs intra-group consensus aggregation to preserve shared task-relevant information while smoothing agent-specific representation deviations. Inter-group attention then adaptively integrates information across different groups to preserve global coordination while accommodating their heterogeneous contributions. Experiments on noisy-observation tasks in StarCraft II empirically validate the structured noise effects and demonstrate that SIGMA consistently improves robustness under observation noise while maintaining competitive performance in noise-free environments.
• Abstract（参考訳）: 協調型マルチエージェント強化学習(MARL)は,雑音下でのロバストな協調を維持する上で大きな課題に直面している。 観察障害はエージェント間で独立して導入されることが多いが、その下流での協調的意思決定への影響は、基礎となる協調構造によって構成される。 我々は,この現象を構造的ノイズ効果として特徴付け,ノイズによる決定効果は,より強いタスク依存を持つエージェント間で局所的相関を示す一方で,異なるエージェントや局所構造間でのグローバルな異質性を維持している。 しかし、既存のロバストなMARL法は、そのような構造に依存したノイズ効果を明示的に特徴づけたり、利用したりすることは滅多にない。 この制限に対処するため、我々は、協調構造を利用した階層的な協調フレームワークSIGMAを提案し、ノイズの多い観測下で頑健な表現を学習する。 SIGMAは、まず、密度に基づくグループ化を通じてエージェントを適応的な局所構造に整理し、エージェント固有の表現偏差を平滑化しながら、共有タスク関連情報を保存するグループ内コンセンサスアグリゲーションを実行する。 グループ間の注意は、異なるグループ間で情報を適応的に統合し、不均一なコントリビューションを維持しながら、グローバルなコーディネーションを維持する。 スタークラフトIIにおける騒音・観測課題の実験は, 騒音効果を実証的に検証し, SIGMAは騒音のない環境での競争性能を維持しつつ, 観測騒音下での頑健さを一貫して向上することを示した。

関連論文リスト

• Dynamic Spectral Denoising with Global-Context Attention for Multi-Behavior Recommendation [58.33732779555114]
  重要なボトルネックは、2つの結合した不均一性によって引き起こされる表現レベルの失敗である、と我々は主張する。 マルチビヘイビアレコメンデーション(SpectraMB)のためのグローバルコンテキストを考慮した動的スペクトルデノベーションを提案する。 SpectraMBは、ほとんどの評価設定で最高の結果を達成し、ノイズのある相互作用下での堅牢性の向上を示す。
  論文  参考訳（メタデータ） (2026-06-01T15:58:13Z)
• Learning to Act under Noise: Enhancing Agent Robustness via Noisy Environments [68.02342920827135]
  エージェント学習プロセスに環境欠陥を明示的に組み込んだエージェント学習フレームワークであるNoisyAgentを提案する。 実世界のシナリオでは,ユーザインタラクションにおけるあいまいさと可変性を捉えるユーザノイズと,ツール実行における障害や異常を反映するツールノイズという,2つの主要なインタラクションノイズ源を識別する。 広汎な実験により,本手法は騒音および動的環境下でのエージェントの堅牢性を常に改善することを示した。
  論文  参考訳（メタデータ） (2026-05-26T16:02:00Z)
• Quality-Aware Robust Multi-View Clustering for Heterogeneous Observation Noise [12.720216418233795]
  QARMVC(Quality-Aware Robust Multi-View Clustering)と呼ばれる新しいフレームワークを提案する。 QARMVCは、ビュー再構成に固有のセマンティクスを抽出するために、情報ボトルネック機構を採用している。 5つのベンチマークデータセットの実験では、QARMVCは一貫して最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-02-26T03:16:44Z)
• Test-time Adaptive Hierarchical Co-enhanced Denoising Network for Reliable Multimodal Classification [55.56234913868664]
  マルチモーダルデータを用いた信頼性学習のためのTAHCD(Test-time Adaptive Hierarchical Co-enhanced Denoising Network)を提案する。 提案手法は,最先端の信頼性の高いマルチモーダル学習手法と比較して,優れた分類性能,堅牢性,一般化を実現する。
  論文  参考訳（メタデータ） (2026-01-12T03:14:12Z)
• Global-focal Adaptation with Information Separation for Noise-robust Transfer Fault Diagnosis [48.69961294481149]
  ノイズ条件下でのドメイン横断故障診断のための情報分離グローバル焦点対向ネットワーク(ISGFAN)を提案する。 ISGFANは、ドメイン不変のフォールト表現を分離するために、逆学習と改善された損失を統合する情報分離アーキテクチャ上に構築されている。 3つの公開データセットで行った実験は、提案手法が他の顕著な既存手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2025-10-16T01:13:06Z)
• Robust Spectral Fuzzy Clustering of Multivariate Time Series with Applications to Electroencephalogram [6.62414474989199]
  スペクトル領域にファジィクラスタリングフレームワークを導入し、変数間の周波数特異なモノトニックな関係を抽出する。 本手法は、クラスタリング精度を向上させるために、周波数ベースのクロスリージョン接続パターンを優先的に活用する。 フラッグシップアプリケーションとして脳波記録を解析し,潜在認知状態の周波数・接続性特異的マーカーを明らかにする。
  論文  参考訳（メタデータ） (2025-06-28T12:02:01Z)
• Multi-Agent Collaboration via Evolving Orchestration [55.574417128944226]
  大規模言語モデル(LLM)は、様々な下流タスクで顕著な成果を上げているが、そのモノリシックな性質は複雑な問題解決におけるスケーラビリティと効率を制限している。 LLMに基づくマルチエージェントコラボレーションのためのパウチスタイルのパラダイムを提案し,タスク状態の進化に応じて,中央集権的なオーケストレータ("puppeteer")がエージェント("puppets")を動的に指示する。 クローズドドメインおよびオープンドメインシナリオの実験により,この手法は計算コストを低減し,優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2025-05-26T07:02:17Z)
• LoSAM: Local Search in Additive Noise Models with Mixed Mechanisms and General Noise for Global Causal Discovery [2.4305626489408465]
  加法雑音モデルの局所探索(LoSAM)は、ANMにおける一意なDAG学習のためのトポロジカル順序であり、因果的機構と一般的な雑音分布が混在している。 一貫性と基準を証明し、スケーラビリティとサンプル効率を確保します。
  論文  参考訳（メタデータ） (2024-10-15T16:28:55Z)
• Improving Weakly Supervised Sound Event Detection with Causal Intervention [46.229038054764956]
  既存の弱教師付き音響事象検出作業は、両タイプの同時発生を同時に調査していない。 まず、構造因果モデル(SCM)を構築し、コンテキストが共起共同設立者の主な原因であることを明らかにする。 因果解析に基づいて、WSSEDの因果介入(CI)手法を提案し、共起共同設立者の負の影響を除去する。
  論文  参考訳（メタデータ） (2023-03-10T03:13:36Z)
• Cross-Supervised Joint-Event-Extraction with Heterogeneous Information Networks [61.950353376870154]
  Joint-event- Extractは、トリガとエンティティのタグからなるタグセットを備えたシーケンスからシーケンスまでのラベリングタスクである。 トリガやエンティティの抽出を交互に監督するクロススーパーバイザードメカニズム(CSM)を提案する。 我々の手法は、エンティティとトリガー抽出の両方において最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-10-13T11:51:17Z)

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。