論文の概要: Social Laws for Multi-agent Coordination in Stochastic Environments

• arxiv url: http://arxiv.org/abs/2609.18929v1
• Date: Wed, 16 Sep 2026 17:05:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.913058
• Title: Social Laws for Multi-agent Coordination in Stochastic Environments
• Title（参考訳）: 確率環境におけるマルチエージェントコーディネートのための社会法則
• Abstract要約: 本稿では,報酬ベース環境における社会法則の定義と検証のためのフォーマリズムを提案する。 我々は、各エージェントが保持する保証されたユーティリティの尺度である$-robustnessの概念を導入する。 そこで我々は,一連のマルコフ決定過程の解法に基づく,報酬設定における社会法則の検証手法を提案する。
• 参考スコア（独自算出の注目度）: 27.13908571909792
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In multi-agent environments, coordinating agents to prevent interference and ensure robust individual performance is a critical challenge. Previous research on social laws for multi-agent systems has primarily focused on deterministic, goal-based settings. This paper extends the concept of social laws to stochastic, reward-based environments, proposing a formalism for defining and verifying their robustness under various conditions. We introduce the notion of $α$-robustness, a measure of the guaranteed utility each agent retains while pursuing its optimal single agent policy, assuming all agents obey the social law. We then present an approach for robustness verification of social laws in stochastic settings, based on a reduction to solving a series of Markov decision processes. Empirical evaluations on toy environments illustrate the potential of our framework.
• Abstract（参考訳）: マルチエージェント環境では、干渉を防止し、堅牢な個々のパフォーマンスを確保するための調整エージェントが重要な課題である。 マルチエージェントシステムの社会法則に関するこれまでの研究は、主に決定論的、ゴールベースの設定に焦点を当ててきた。 本稿では, 社会的法則の概念を確率的, 報酬的環境に拡張し, 様々な条件下でのロバスト性の定義と検証のための形式主義を提案する。 我々は、各エージェントが社会法に従うと仮定して、最適な単一エージェントポリシーを追求しながら、各エージェントが保持する保証されたユーティリティの尺度である$α$-robustnessの概念を導入する。 そこで我々は,一連のマルコフ決定過程の解法に基づく,確率的環境下での社会法則の堅牢性検証手法を提案する。 おもちゃの環境に関する実証的な評価は、我々のフレームワークの可能性を示している。

関連論文リスト

• FormIDEAble: Safe and Socially-aware Autonomous Systems [6.380911786456793]
  本稿では,社会に配慮した協調戦略と安全保証の形式的アプローチであるFormIDEAbleを紹介する。 人間と自律エージェントの協調は、プライスド・タイムド・マルコフ決定プロセスとしてモデル化されている。
  論文  参考訳（メタデータ） (2026-06-30T12:30:49Z)
• Beyond Goodhart's Law: A Dynamic Benchmark for Evaluating Compliance in Multi-Agent Systems [45.89982596338141]
  本稿では,現実的な圧力下でのマルチエージェントシステムの手続き的アライメントを評価するために設計された,動的で対向的なベンチマークであるMAC-Benchを紹介する。 コンプライアンス・ウェイト・サクセス・レート(CSR)とマキアベリアン・ギャップ(MG)という新しい指標を紹介します。 我々は、成功とコンプライアンスの間の広範にわたるトレードオフを明らかにするために、最先端フロンティアモデルの包括的な評価を行う。
  論文  参考訳（メタデータ） (2026-06-05T19:33:58Z)
• Fairness over Equality: Correcting Social Incentives in Asymmetric Sequential Social Dilemmas [14.346045345458416]
  逐次社会ジレンマ(SSD)は、個人のインセンティブが集団福祉と対立するときに、協力がどのように現れるかを研究するための重要な枠組みを提供する。 既存の方法の多くは、エージェントがジレンマにおいて同一のインセンティブに直面し、公正性を評価するために他のエージェントに関するグローバル情報への継続的なアクセスを必要とすると仮定している。 我々は、よく知られたSSD環境の非対称な変種を導入し、エージェント間の自然差が協調力学にどのように影響するかを検討する。
  論文  参考訳（メタデータ） (2026-02-17T07:31:20Z)
• An Optimisation Framework for Unsupervised Environment Design [88.29733214939544]
  非教師なし環境設計(UED)は、エージェントの全般的な堅牢性を最大化することを目的としている。 ゼロサム設定において、証明可能な収束アルゴリズムを提供する。 提案手法の有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2025-05-27T03:07:26Z)
• Safe Multi-Agent Reinforcement Learning with Convergence to Generalized Nash Equilibrium [6.169364905804677]
  マルチエージェント強化学習(MARL)は協調作業において顕著な成功を収めた。 MARLエージェントを現実世界のアプリケーションにデプロイすることは、重大な安全性上の課題を示す。 我々は,エージェントが訪れるすべての状態において,安全要件を強制する,$textitstate-wise$制約付き安全なMARLの新たな理論的枠組みを提案する。 複雑な高次元システムにおける実践的展開のために、$textitMulti-Agent Dual Actor-Critic$ (MADAC)を提案する。
  論文  参考訳（メタデータ） (2024-11-22T16:08:42Z)
• PARL: A Unified Framework for Policy Alignment in Reinforcement Learning from Human Feedback [106.63518036538163]
  我々は、強化学習におけるポリシーアライメントの最近強調された重要な問題に対処するために、新しい統合された二段階最適化ベースのフレームワーク、textsfPARLを提案する。 本フレームワークは, 上向きの目標(逆設計)の分布を, 下向きの最適変数で明示的にパラメータ化することにより, これらの問題に対処する。 その結果,提案したtextsfPARL が RL のアライメントの懸念に対処できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-08-03T18:03:44Z)
• Maximum Causal Entropy Inverse Constrained Reinforcement Learning [3.409089945290584]
  本稿では,最大因果エントロピーの原理を用いて制約と最適ポリシーを学習する手法を提案する。 得られた報酬と制約違反数を評価することで,学習方針の有効性を評価する。 本手法は様々なタスクや環境にまたがって最先端の手法より優れていることが示されている。
  論文  参考訳（メタデータ） (2023-05-04T14:18:19Z)
• Learn to Match with No Regret: Reinforcement Learning in Markov Matching Markets [151.03738099494765]
  我々は、市場の両側でプランナーと戦略エージェントのセットを含むマルコフマッチング市場について検討する。 本稿では,楽観的な値反復と最大重みマッチングを組み合わせた強化学習フレームワークを提案する。 我々は,アルゴリズムがサブ線形後悔を実現することを証明した。
  論文  参考訳（メタデータ） (2022-03-07T19:51:25Z)
• ERMAS: Becoming Robust to Reward Function Sim-to-Real Gaps in Multi-Agent Simulations [110.72725220033983]
  Epsilon-Robust Multi-Agent Simulation (ERMAS)は、このようなマルチエージェントのsim-to-realギャップに対して堅牢なAIポリシーを学ぶためのフレームワークである。 ERMASは、エージェントリスク回避の変化に対して堅牢な税政策を学び、複雑な時間シミュレーションで最大15%社会福祉を改善する。 特に、ERMASは、エージェントリスク回避の変化に対して堅牢な税制政策を学び、複雑な時間シミュレーションにおいて、社会福祉を最大15%改善する。
  論文  参考訳（メタデータ） (2021-06-10T04:32:20Z)

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。