論文の概要: Graph-Based Inference and Topology-Aware Multi-Agent Reinforcement Learning for Large-Scale Railway Network Management

• arxiv url: http://arxiv.org/abs/2609.30150v1
• Date: Thu, 24 Sep 2026 17:12:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:10.149739
• Title: Graph-Based Inference and Topology-Aware Multi-Agent Reinforcement Learning for Large-Scale Railway Network Management
• Title（参考訳）: 大規模鉄道網管理のためのグラフベース推論とトポロジーを考慮したマルチエージェント強化学習
• Abstract要約: 本稿では、正確な環境モデリングとスケーラブルな意思決定支援を統合したグラフベースのフレームワークを提案する。 まず,実世界のデータから鉄道保守計画の現実的で空間的に相関した環境を推定するために,階層型ベイズモデルを用いる。 第2に,グラフニューラルネットワークとグラフトランスフォーマーを統合し,ネットワークレベルのポリシを最適化することで,トポロジを意識したマルチエージェント強化学習(MARL)フレームワークを導入する。
• 参考スコア（独自算出の注目度）: 0.3014185495006083
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern infrastructure asset management constitutes a complex sequential decision-making problem, characterized by long planning horizons and system-level interactions, such as spatial deterioration correlations and economies of scale. While deep reinforcement learning has shown promise in optimizing maintenance policies, scaling to real-world networks remains challenging. Centralized approaches become computationally intractable in large-scale systems, whereas decentralized approaches often fail to capture essential coordination mechanisms. To address these challenges, we propose a graph-based framework that integrates accurate environment modeling with scalable decision support. First, we employ a hierarchical Bayesian model leveraging a Gaussian Process on Graph kernel to infer a realistic, spatially correlated networked environment of railway maintenance planning from real-world data provided by the Swiss Federal Railways. Second, we introduce a topology-aware Multi-Agent Reinforcement Learning (MARL) framework by integrating graph neural networks and graph Transformers to optimize network-level policies. A central contribution of this work is the demonstration of scalability through zero-shot transfer learning: graph-based agents, trained only on small network portions, are successfully deployed in a zero-shot manner on large-scale unseen networks without any retraining. Numerical results indicate that the proposed method significantly outperforms optimized heuristics and standard MARL baselines, reducing computational training time while maintaining superior performance on large-scale networks.
• Abstract（参考訳）: 現代のインフラ資産管理は、長期計画の地平線と空間劣化の相関やスケールの経済といったシステムレベルの相互作用を特徴とする複雑な意思決定問題を構成する。 深い強化学習はメンテナンスポリシーの最適化に有望だが、現実のネットワークへのスケーリングは依然として難しい。 中央集権的なアプローチは大規模システムでは計算的に難解になるが、中央集権的なアプローチは重要な調整機構を捉えるのに失敗することが多い。 これらの課題に対処するため、我々は、正確な環境モデリングとスケーラブルな意思決定支援を統合したグラフベースのフレームワークを提案する。 まず、グラフカーネル上のガウス過程を利用した階層型ベイズモデルを用いて、スイス連邦鉄道が提供する実世界データから、鉄道保守計画の現実的で空間的に相関したネットワーク環境を推定する。 第2に,グラフニューラルネットワークとグラフトランスフォーマーを統合し,ネットワークレベルのポリシを最適化することで,トポロジを意識したマルチエージェント強化学習(MARL)フレームワークを導入する。 この研究の中心的な貢献は、ゼロショット転送学習によるスケーラビリティの実証である。グラフベースのエージェントは、小さなネットワーク部分にのみトレーニングされ、大規模な未確認ネットワーク上で再トレーニングなしでゼロショットでデプロイされる。 数値計算により,提案手法は最適化されたヒューリスティックスと標準MARLベースラインを著しく上回り,大規模ネットワーク上での優れた性能を維持しつつ,計算訓練時間を短縮することを示す。

関連論文リスト

• Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [86.99017195607077]
  無線ネットワークにおける自己回帰的マルコフ音源のリアルタイムサンプリングと推定について検討する。 政策最適化のためのグラフィカル強化学習フレームワークを提案する。 理論的には、提案したポリシーは転送可能であり、あるグラフ上で訓練されたポリシーを構造的に類似したグラフに効果的に適用することができる。
  論文  参考訳（メタデータ） (2026-01-19T02:18:45Z)
• Resource-Aware Neural Network Pruning Using Graph-based Reinforcement Learning [0.8890833546984916]
  本稿では,グラフベースの観測空間をAutoMLフレームワークに統合することで,ニューラルネットワークのプルーニングに新たなアプローチを提案する。 本フレームワークは,対象ニューラルネットワークのグラフ表現を導入することにより,刈り込み処理を変換する。 作用空間に対しては、連続プルーニング比から細粒な二分作用空間へ遷移する。
  論文  参考訳（メタデータ） (2025-09-04T15:05:05Z)
• Power Grid Control with Graph-Based Distributed Reinforcement Learning [60.49805771047161]
  この作業は、リアルタイムでスケーラブルなグリッド管理のためのグラフベースの分散強化学習フレームワークを前進させる。 グラフニューラルネットワーク(GNN)を使用して、ネットワークのトポロジ情報を単一の低レベルエージェントの観測内にエンコードする。 Grid2Opシミュレーション環境での実験は、このアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2025-09-02T22:17:25Z)
• Brain Network Classification Based on Graph Contrastive Learning and Graph Transformer [0.6906005491572401]
  本稿では,グラフコントラスト学習をグラフ変換器と統合したPHGCL-DDGformerという新しいモデルを提案する。 実世界のデータセットによる実験結果から、PHGCL-DDGformerモデルは、脳ネットワーク分類タスクにおける既存の最先端のアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-04-01T13:26:03Z)
• Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [86.99017195607077]
  統計的に同一性を持つ無線ネットワークにおける自己回帰的マルコフ過程のサンプリングとリモート推定の課題に対処する。 我々のゴールは、分散化されたスケーラブルサンプリングおよび送信ポリシーを用いて、時間平均推定誤差と/または情報の年齢を最小化することである。
  論文  参考訳（メタデータ） (2024-04-04T06:24:11Z)
• Learning Decentralized Traffic Signal Controllers with Multi-Agent Graph Reinforcement Learning [42.175067773481416]
  我々は,空間的時間的相関を捉えるために,環境観測性を改善した新しい分散制御アーキテクチャを設計する。 具体的には,道路ネットワークに収集された非構造データから相関関連情報を抽出するトポロジ対応情報集約戦略を開発する。 拡散畳み込みモジュールが開発され、新しいMARLアルゴリズムが作成され、エージェントにグラフ学習の能力を与える。
  論文  参考訳（メタデータ） (2023-11-07T06:43:15Z)
• Simplifying Distributed Neural Network Training on Massive Graphs: Randomized Partitions Improve Model Aggregation [23.018715954992352]
  本稿では、前述のコスト操作に依存しない分散GNNトレーニングのための簡易フレームワークを提案する。 具体的には,トレーニンググラフの局所的に利用可能な部分の局所モデルを非同期に学習する独立したトレーナーを編成する。 最大13億エッジのソーシャルおよびeコマースネットワークの実験において、提案したRandomTMAおよびSuperTMAアプローチは、最速のベースラインと比較して最先端のパフォーマンスと2.31倍のスピードアップを達成する。
  論文  参考訳（メタデータ） (2023-05-17T01:49:44Z)

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。