論文の概要: Robust and Efficient Communication for Multi-Agent Learning
- arxiv url: http://arxiv.org/abs/2609.15361v1
- Date: Mon, 14 Sep 2026 10:44:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:06.289119
- Title: Robust and Efficient Communication for Multi-Agent Learning
- Title（参考訳）: マルチエージェント学習のためのロバストで効率的なコミュニケーション
- Abstract要約: 本稿では,条件付き相互情報の情報理論に基づく新しいフレームワークであるMulti-Agent Regularized Communication (MARC)を紹介する。
MARCは、将来のシステム状態に関する不確実性を最小限に抑えるように設計されたユニークなメッセージ正規化機構と、アテンションベースのアーキテクチャを採用している。
以上の結果から,MARCは複雑な協調領域において最先端の手法よりも優れていたことが示唆された。
- 参考スコア（独自算出の注目度）: 1.7205106391379026
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Effective communication is a cornerstone of distributed intelligence in Multi-Agent Reinforcement Learning (MARL), yet ensuring that generated messages are both informative and robust to physical constraints remains a significant challenge. This paper introduces Multi-Agent Regularized Communication (MARC), a novel framework inspired by information-theoretic principles of conditional mutual information. MARC employs an attention-based architecture coupled with a unique message regularization mechanism designed to minimize uncertainty regarding future system states, thereby inducing the learning of highly representative communication protocols. Crucially, we evaluate MARC under stringent communication bottlenecks and lossy channels, simulating the real-world constraints of autonomous robotic networks and decentralized systems. Our results demonstrate that MARC significantly outperforms state-of-the-art methods in complex cooperative domains. Furthermore, we provide a deep analysis of message characteristics, proving that MARC maintains high operational performance even under significant data compression, offering a scalable path for deploying intelligent agents in resource-constrained environments.
- Abstract（参考訳）: 効果的なコミュニケーションは、MARL(Multi-Agent Reinforcement Learning)における分散インテリジェンスの基礎である。
本稿では,条件付き相互情報の情報理論に基づく新しいフレームワークであるMulti-Agent Regularized Communication (MARC)を紹介する。
MARCは、将来のシステム状態に関する不確実性を最小化し、高度に代表的な通信プロトコルの学習を促すように設計されたユニークなメッセージ正規化機構と、アテンションベースのアーキテクチャを採用している。
重要なことは、我々は、自律ロボットネットワークと分散システムの現実的な制約をシミュレートし、厳しい通信ボトルネックと損失チャネルの下でMARCを評価することである。
以上の結果から,MARCは複雑な協調領域において最先端の手法よりも優れていたことが示唆された。
さらに,MARCはデータ圧縮においても高い運用性能を保ち,リソース制約のある環境でインテリジェントエージェントをデプロイするためのスケーラブルな経路を提供することを示す。
関連論文リスト
- Task-Oriented Sensing and Covert Transmissions for Collaborative Multi-AUV Systems [67.63956000297922]
本稿では,協調作業における情報の有用性を特徴付けるための,感性情報量実現型マルチエージェント強化学習(SVR-MARL)フレームワークを提案する。
不要なコミュニケーションや露出リスクを低減しつつ,協調作業効率を向上させるフレームワークの可能性を示す。
論文 参考訳（メタデータ） (2026-07-15T14:29:25Z) - SCALE-COMM: Shared, Contrastively-Aligned Latent Embeddings for MARL Communication [0.0]
本稿では,コンパクトで安定なコミュニケーション表現を学習するための自己教師型フレームワークを提案する。
学習した通信空間は, 政策微調整による安定性, サンプル効率, スループットの向上を図っている。
論文 参考訳（メタデータ） (2026-05-26T18:06:19Z) - CIA: Inferring the Communication Topology from LLM-based Multi-Agent Systems [52.48183625867145]
マルチエージェントシステム(MAS)は、複雑なタスクを解く際、顕著な能力を示した。
MASの中心は、エージェントが内部で情報を交換する方法を管理する通信トポロジーである。
本稿では,MAS通信のトポロジを制限的なブラックボックス設定で推定できる,重要なプライバシーリスクについて検討する。
論文 参考訳（メタデータ） (2026-04-14T08:48:15Z) - Robust and Efficient Communication in Multi-Agent Reinforcement Learning [18.405707681765453]
マルチエージェント強化学習(MARL)は,自律エージェント間の協調行動の実現に大きく貢献している。
既存のほとんどのアプローチは、通信は瞬時に、信頼性があり、帯域幅が無制限であると仮定している。
本調査は, 現実的な制約下でのMARLの堅牢かつ効率的な通信戦略の最近の進歩を体系的にレビューする。
論文 参考訳（メタデータ） (2025-11-14T15:23:11Z) - Communicating Plans, Not Percepts: Scalable Multi-Agent Coordination with Embodied World Models [0.0]
MARL(Multi-Agent Reinforcement Learning)の中心的な疑問は、通信プロトコルを設計するか、エンドツーエンドで学習するかである。
本稿では,協調的なタスク割り当て問題に対する2つのコミュニケーション戦略を提案し,比較する。
我々の実験によると、創発的コミュニケーションは単純な設定で実現可能であるが、設計された世界モデルベースのアプローチは、複雑さが増大するにつれて、優れたパフォーマンス、サンプル効率、スケーラビリティを示す。
論文 参考訳（メタデータ） (2025-08-04T21:29:07Z) - Understanding the Information Propagation Effects of Communication Topologies in LLM-based Multi-Agent Systems [58.95962217043371]
提案手法は, エージェントの出力の正確さ, 誤動作の有無を, 異なる範囲の位相の下で伝達する因果関係を解析するための枠組みである。
実験により,有益な情報拡散を保ちながらエラーの伝播を効果的に抑制する,適度に疎らなトポロジが,通常最適なタスク性能を達成できることが判明した。
本稿では,高密度グラフとスパースグラフの両方から接続パターンを融合させることにより,エラー抑制と有益な情報伝達のバランスをとる新しいトポロジ設計手法 EIB-leanrner を提案する。
論文 参考訳（メタデータ） (2025-05-29T11:21:48Z) - Reward-Independent Messaging for Decentralized Multi-Agent Reinforcement Learning [7.872846260392537]
MARL-CPCは、完全に分散化された独立したエージェント間の通信を可能にするフレームワークである。
アクション空間の一部としてメッセージを扱う従来の方法とは異なり、MARL-CPCはメッセージを状態推論にリンクする。
ベンチマークの結果、Bandit-CPCとIPPO-CPCは標準的なメッセージ・アズ・アクション・アプローチよりも優れていた。
論文 参考訳（メタデータ） (2025-05-28T05:23:47Z) - Exponential Topology-enabled Scalable Communication in Multi-agent Reinforcement Learning [9.48183472865413]
協調型マルチエージェント強化学習(MARL)のためのスケーラブルな通信プロトコルを開発する。
本稿では,この指数的トポロジを利用して,その小径特性と小径特性を活用し,エージェント間の迅速な情報伝達を実現することを提案する。
MAgentやInfrastructure Management Planningといった大規模協調型ベンチマークの実験は、ExpoCommの優れた性能と堅牢なゼロショット転送性を示している。
論文 参考訳（メタデータ） (2025-02-27T03:15:31Z) - AI Flow at the Network Edge [58.31090055138711]
AI Flowは、デバイス、エッジノード、クラウドサーバ間で利用可能な異種リソースを共同で活用することで、推論プロセスを合理化するフレームワークである。
この記事では、AI Flowのモチベーション、課題、原則を特定するためのポジションペーパーとして機能する。
論文 参考訳（メタデータ） (2024-11-19T12:51:17Z) - Collaborative Information Dissemination with Graph-based Multi-Agent
Reinforcement Learning [2.9904113489777826]
本稿では,効率的な情報伝達のためのマルチエージェント強化学習(MARL)手法を提案する。
本稿では,各エージェントが個別にメッセージ転送を決定するための情報発信のための部分観測可能なゲーム(POSG)を提案する。
実験の結果,既存の手法よりも訓練済みの方針が優れていることがわかった。
論文 参考訳（メタデータ） (2023-08-25T21:30:16Z) - 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) - Learning Structured Communication for Multi-agent Reinforcement Learning [104.64584573546524]
本研究では,マルチエージェント強化学習(MARL)環境下での大規模マルチエージェント通信機構について検討する。
本稿では、より柔軟で効率的な通信トポロジを用いて、LSC(Learning Structured Communication)と呼ばれる新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-11T07:19:45Z)
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。