論文の概要: Grounded Joint-Attention Other-Play for Zero-Shot Coordination

• arxiv url: http://arxiv.org/abs/2610.06025v1
• Date: Mon, 05 Oct 2026 09:23:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 19:22:00.619209
• Title: Grounded Joint-Attention Other-Play for Zero-Shot Coordination
• Title（参考訳）: ゼロショットコーディネーションのための接地型ジョイントアテンションサイドプレイ
• Abstract要約: MATE(Mutual Attention for zero-shot TEaming)は,人間の共同注意に触発された新しい強化学習法である。 MATEは、インタラクション中にシーン・サリアントなオブジェクトに視覚的注意を合わせることで、エージェントが行動を調整することを奨励する。 我々の実験は、共同注意に基づく信号が未知のパートナーとの協調を改善することを一貫して示している。
• 参考スコア（独自算出の注目度）: 14.950311747420335
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Joint attention - the human ability to share a common visual or cognitive focus with others - enables a meeting of minds that lets us coordinate even with unfamiliar partners. In this work we investigate whether equipping AI agents with a similar mechanism can enable such zero-shot coordination. We introduce Mutual Attention for zero-shot TEaming (MATE): a novel multi-agent reinforcement learning method inspired by human joint attention. MATE encourages agents to coordinate their actions by aligning their visual attention on scene-salient objects during the interaction rather than relying on arbitrary partner-dependent conventions established during training. Unlike symmetry-breaking approaches that merely prevent brittle conventions from emerging, MATE actively promotes coordination through an environment-grounded signal that is naturally shared across partners. We evaluate MATE on three benchmarks: our Card Alignment Game, designed to isolate brittle convention formation, and the more challenging Level-Based Foraging and OvercookedV2 benchmarks. Our experiments consistently show that a joint-attention-inspired signal improves coordination with unknown partners, underlining MATE's potential as a general coordination mechanism that complements and surpasses symmetry-breaking approaches.
• Abstract（参考訳）: 共同注意 — 共通の視覚的あるいは認知的な焦点を他の人と共有する能力 — は、不慣れなパートナーとも協調できる心のミーティングを可能にします。 本研究では、同様の機構でAIエージェントを装備することで、このようなゼロショット調整が可能かどうかを検討する。 マルチエージェント強化学習法であるMATE(Multual Attention for zero-shot TEaming)を導入する。 MATEは、訓練中に確立された任意のパートナー依存の規約に頼るのではなく、インタラクション中のシーンサリアンなオブジェクトに視覚的な注意を向けることによって、エージェントが行動を調整することを奨励する。 不安定な慣習が生まれるのを単に防ぐ対称性を破るアプローチとは異なり、MATEは自然にパートナー間で共有される環境に接した信号を通じて協調を促進する。 私たちは、不安定なコンベンション形成を分離するために設計されたカードアライメントゲームと、より挑戦的なレベルベースフォーージングとオーバークッキングされたV2ベンチマークの3つのベンチマークでMATEを評価した。 我々の実験は、共同注意にインスパイアされた信号が未知のパートナーとの協調を改善することを一貫して示しており、MATEが対称性を破るアプローチを補完し、超越する一般的な調整機構としての可能性を示している。

関連論文リスト

• Learning to Interact in World Latent for Team Coordination [53.51290193631586]
  本研究は,多エージェント強化学習(MARL)におけるチーム協調を支援するために,対話型ワールドラテント(IWoL)という新しい表現学習フレームワークを提案する。 コミュニケーションプロトコルを直接モデル化することにより,エージェント間関係とタスク固有の世界情報とを協調的にキャプチャする学習可能な表現空間を構築する。 私たちの表現は、各エージェントの暗黙のラテントとしてだけでなく、コミュニケーションのための明示的なメッセージとしても使用できます。
  論文  参考訳（メタデータ） (2025-09-29T22:13:39Z)
• CooT: Learning to Coordinate In-Context with Coordination Transformers [10.888155149916967]
  コーディネーション・トランスフォーマー(Coordination Transformers, Coot)は、目に見えないパートナーに迅速に適応する、コンテキスト内協調フレームワークである。 cootは、人口ベースアプローチ、勾配ベースの微調整、メタRLにインスパイアされたコンテキスト適応方法など、ベースラインを一貫して上回る。 対照的に、cootは安定かつ迅速なインコンテクスト適応を実現し、人間の評価において最も効果的なコラボレータである。
  論文  参考訳（メタデータ） (2025-06-30T06:45:39Z)
• Tackling Cooperative Incompatibility for Zero-Shot Human-AI Coordination [36.33334853998621]
  協調的オープンエンド・ラーニング(COLE)フレームワークを導入し,学習における協調的非互換性を解決する。 COLEは、グラフ理論の観点を用いて、2人のプレイヤーと協調ゲームにおけるオープンエンド目標を定式化し、各戦略の協調能力を評価し、特定する。 我々は,COLEが理論的および経験的分析から協調的不整合性を効果的に克服できることを示した。
  論文  参考訳（メタデータ） (2023-06-05T16:51:38Z)
• Decentralized Adversarial Training over Graphs [44.03711922549992]
  近年、敵攻撃に対する機械学習モデルの脆弱性が注目されている。 マルチエージェントシステムのための分散逆数フレームワークを開発する。
  論文  参考訳（メタデータ） (2023-03-23T15:05:16Z)
• Equivariant Networks for Zero-Shot Coordination [34.95582850032728]
  Dec-POMDPのコーディネートを成功させるためには、エージェントは堅牢な戦略と、パートナーのための解釈可能なスタイルを採用する必要がある。 共通の失敗モードは対称性の破れであり、エージェントは等価だが相互に相容れない多くのポリシーのうちの1つに任意に収束する。 ゼロショット調整を改善するために環境対称性を効果的に活用する,Dec-POMDPにおける新しい同変ネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-10-21T17:25:34Z)
• Joint Attention for Multi-Agent Coordination and Social Learning [108.31232213078597]
  共同注意がマルチエージェント協調とソーシャルラーニングを改善するメカニズムとして有用であることを示す。 共同の注意は、複数の環境にまたがる競争集中型批評家のベースラインよりも高いパフォーマンスをもたらす。 これらの結果から,共同注意は多エージェント学習に有用な帰納的バイアスである可能性が示唆された。
  論文  参考訳（メタデータ） (2021-04-15T20:14:19Z)
• On the Critical Role of Conventions in Adaptive Human-AI Collaboration [73.21967490610142]
  規則依存表現と規則依存表現を区別する学習フレームワークを提案する。 複雑性が異なる3つの共同作業に対するアプローチを実験的に検証します。
  論文  参考訳（メタデータ） (2021-04-07T02:46:19Z)

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。