Fugu-MT 論文翻訳(概要): On the Control of Mobile Ad-Hoc Agent Deployments in Partially Observed Space

論文の概要: On the Control of Mobile Ad-Hoc Agent Deployments in Partially Observed Space

arxiv url: http://arxiv.org/abs/2609.23060v1
Date: Sat, 19 Sep 2026 14:47:13 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-24 17:16:45.135208
Title: On the Control of Mobile Ad-Hoc Agent Deployments in Partially Observed Space
Title（参考訳）: 部分観測空間における移動型アドホックエージェント配置の制御について
Abstract要約: 本研究では,モバイルアドホックネットワークの未知の環境におけるオンライン展開について検討し,部分観測可能ガードアートギャラリー問題として定式化した。 CADENCEアルゴリズムが接続された可視グラフを維持しながら全範囲を網羅することを示す。
参考スコア（独自算出の注目度）: 7.26516751510643
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We study the online deployment of mobile ad hoc networks in unknown orthogonal environments, formalized as the Partially Observable Cooperative Guard Art Gallery Problem. We give a full proof that CADENCE algorithms achieve full coverage while maintaining a connected visibility graph using at most $n/2 + h - 2$ agents in orthogonal worlds with $n$ corners and $h$ holes. We further evaluate deployment-order heuristics that reduce agent count and deployment time in practice.
Abstract（参考訳）: 本研究では,非直交環境における移動型アドホックネットワークのオンライン展開を,部分的に観察可能な協調ガードアートギャラリー問題として定式化した。我々は,最大$n/2 + h - 2$エージェントと$n$コーナーと$h$ホールの直交世界における接続可視グラフを維持しながら,CADENCEアルゴリズムが完全なカバレッジを実現することの完全な証明を与える。さらに,エージェントの数を削減し,実際のデプロイ時間を短縮する展開順序ヒューリスティックスを評価した。

関連論文リスト

Occamy-1.0: Open Pareto-frontier 35B Intelligence for Co-work [51.29186915859486]
本稿では, ポストトレーニング後のQwen3.6-35B-A3Bチェックポイントをさらにトレーニングし, コスト効率の良いコワークモデルであるOccamy-1.0を提案する。我々は,複数のハーネスにまたがる再生可能な長距離軌跡を捕捉し,段階的なポストトレーニングを用いて補完的な実行機能を開発し,統合する。
論文参考訳（メタデータ） (2026-09-04T03:32:26Z)
Control Your View: High-Resolution Global Semantic Manipulation in Learned Image Compression [69.69246209085425]
学習された画像圧縮(lic)は、ディープニューラルネットワーク(DNN)を統合して、高次元画像をコンパクトな潜在表現にマッピングする。リックシステムは、下流の劣化、圧縮速度の低下、未ターゲットの歪み、局所意味操作(LSM)と低解像度(3times28times28$)のグローバル意味操作(GSM)に繋がる敵の摂動の影響を受けやすい。
論文参考訳（メタデータ） (2026-05-09T06:25:20Z)
On Mobile Ad Hoc Networks for Coverage of Partially Observable Worlds [30.48140477734169]
我々は,この問題を,協調ガードアートギャラリー問題に網羅的問題と直視的制約を関連付けることにより,計算幾何学的枠組みに配置した。本稿では,エージェントを配置する270度のコーナーを段階的に選択する集中型プランナCADENCEと,ローカル情報と軽量メッセージングを用いてエージェントを協調する分散型スキームDADENCEの2つのアルゴリズムを提案する。
論文参考訳（メタデータ） (2025-12-10T10:19:34Z)
Imagine Beyond! Distributionally Robust Auto-Encoding for State Space Coverage in Online Reinforcement Learning [15.884955846999246]
GCRL(Goal-Conditioned Reinforcement Learning)は、エージェントが自律的に多様な行動を取得することを可能にする。エージェントが探索中に表現を学ぶオンライン環境では、潜伏空間はエージェントのポリシーによって進化する。
論文参考訳（メタデータ） (2025-05-23T12:43:55Z)
GCP: Guarded Collaborative Perception with Spatial-Temporal Aware Malicious Agent Detection [11.336965062177722]
協調的知覚は、悪意のあるエージェントからの敵対的なメッセージ攻撃に対して脆弱である。本稿では,既存の単発外乱検出手法を損なう新しい盲検領域混乱(BAC)攻撃を明らかにする。本稿では、空間的時間的認識による悪意のあるエージェント検出に基づくガード付き協調認識フレームワークを提案する。
論文参考訳（メタデータ） (2025-01-05T06:03:26Z)
Scalable spectral representations for multi-agent reinforcement learning in network MDPs [13.782868855372774]
マルチエージェント制御の一般的なモデルであるNetwork Markov Decision Processes (MDPs)は、効率的な学習に重大な課題をもたらす。まず、ネットワークMDPに対してスケーラブルなスペクトル局所表現を導出し、各エージェントの局所$Q$関数に対するネットワーク線形部分空間を誘導する。我々は,連続的な状態対応ネットワークMDPのためのスケーラブルなアルゴリズムフレームワークを設計し,アルゴリズムの収束をエンドツーエンドで保証する。
論文参考訳（メタデータ） (2024-10-22T17:45:45Z)
Self-Localized Collaborative Perception [49.86110931859302]
我々は,新しい自己局在型協調認識システムであるMathttCoBEVGlue$を提案する。 $mathttCoBEVGlue$は、エージェント間の相対的なポーズを提供する新しい空間アライメントモジュールである。 $mathttCoBEVGlue$は任意のローカライゼーションノイズとアタックの下で最先端の検出性能を達成する。
論文参考訳（メタデータ） (2024-06-18T15:26:54Z)
Scalable Multi-agent Covering Option Discovery based on Kronecker Graphs [49.71319907864573]
本稿では,分解が容易なマルチエージェントスキル発見法を提案する。我々のキーとなる考え方は、合同状態空間をクロネッカーグラフとして近似することであり、そのフィドラーベクトルを直接見積もることができる。ラプラシアンスペクトルを直接計算することは、無限大の状態空間を持つタスクには難易度が高いことを考慮し、さらに本手法の深層学習拡張を提案する。
論文参考訳（メタデータ） (2023-07-21T14:53:12Z)
Graph Neural Networks for Decentralized Multi-Agent Perimeter Defense [111.9039128130633]
我々は,防御者の地域認識とコミュニケーショングラフから行動へのマッピングを学習する模倣学習フレームワークを開発した。学習ネットワークの性能を実証するために、異なるチームサイズと構成のシナリオで周辺防衛ゲームを実行します。
論文参考訳（メタデータ） (2023-01-23T19:35:59Z)
Federated Stochastic Approximation under Markov Noise and Heterogeneity: Applications in Reinforcement Learning [24.567125948995834]
フェデレーション強化学習は、N$エージェントが協力してグローバルモデルを学ぶためのフレームワークである。この連立固定点問題の解法において, エージェントの綿密な協調によって, グローバルモデルのN$倍の高速化が期待できることを示す。
論文参考訳（メタデータ） (2022-06-21T08:39:12Z)
Zooming for Efficient Model-Free Reinforcement Learning in Metric Spaces [26.297887542066505]
本研究では,自然距離を持つと仮定される連続的な状態-作用空間を用いたエピソディック強化学習について考察する。本稿では,連続的な帯域幅からアイデアを生かし,共同空間の適応的離散化を学習するオンラインアルゴリズムZoomRLを提案する。 ZoomRL が最悪の後悔点である $tildeO(Hfrac52 Kfracd+1d+2)$ ここでは$H$ が計画的地平線、$K$ がエピソード数、$d$ が空間の被覆次元であることを示す。
論文参考訳（メタデータ） (2020-03-09T12:32:02Z)

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。