論文の概要: On Learning Optimal Corners in Orthogonal Partially Observable Cooperative Guard Art Galleries

• arxiv url: http://arxiv.org/abs/2610.06777v1
• Date: Mon, 05 Oct 2026 17:42:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 22:53:42.672147
• Title: On Learning Optimal Corners in Orthogonal Partially Observable Cooperative Guard Art Galleries
• Title（参考訳）: 直交的部分観察型協調ガードアートギャラリーにおける最適コーナーの学習について
• Abstract要約: CADENCEアルゴリズムは、正式なカバレッジと接続性を保証することで、部分観測可能な協調ガードアートギャラリー問題(POCGAGP)を解決する。 本稿では,これらの保証を守る2つの学習コーナー選択について紹介する。グリッド上でのCNNスコアリング候補と,可視性グラフ上でDeep Q-Learning (DQN) を用いてトレーニングされたGATv2ネットワークである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The CADENCE algorithm solves the Partially Observable Cooperative Guard Art Gallery Problem (POCGAGP) with formal coverage and connectivity guarantees, but leaves unspecified which valid corner each agent should be deployed to, a choice that strongly affects efficiency. We introduce two learned corner-selection heuristics that preserve these guarantees: a CNN scoring candidates on a grid encoding, and a GATv2 network trained with Deep Q-Learning (DQN) on a visibility graph. Across 7,500 runs on random orthogonal environments (50x50 to 250x250), our heuristics outperform baseline CADENCE in both steps to full coverage and peak agent count, with gains growing with scale, and improve on Incremental Self-Deployment (ISDA) baselines in agent utilization while providing guarantees ISDA lacks. Learned corner selection thus improves CADENCE in speed and agent utilization at no cost to its formal properties.
• Abstract（参考訳）: CADENCEアルゴリズムは、正式なカバレッジと接続性を保証することで、部分観測可能な協調ガードアートギャラリー問題(POCGAGP)を解決するが、各エージェントが配置すべき有効なコーナーは特定されていない。 本稿では,これらの保証を保護している2つの学習コーナー選択ヒューリスティックを紹介する。グリッドエンコーディングの候補をスコアするCNNと,可視性グラフ上でDeep Q-Learning (DQN) でトレーニングしたGATv2ネットワークである。 7500回以上はランダムな直交環境(50x50～250x250)で実行され、我々のヒューリスティックスはCADENCEを全カバレッジとピークエージェント数の両方で上回り、規模に応じて増加し、ISDAの欠如を保証しながら、エージェント利用におけるインクリメンタルセルフデプロイ(ISDA)ベースラインを改善する。 学習されたコーナー選択により、CADenceの速度とエージェント利用は、その形式的特性に何の費用もかかわりなく改善される。

関連論文リスト

• ClawGym II: Exploring Black-Box RL on Agent Harness [82.92963070856416]
  エージェントハーネスは、エージェントと環境との相互作用を調整することで、長期タスクの性能を大幅に改善した。 複雑なハーネスによる汎用エージェントの安定かつスケーラブルな最適化のための統合ブラックボックスRLフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-17T16:53:03Z)
• SCOPE-FL: A Strategy-proof Chain-based Optimal pareto efficient Federated Learning System [6.541469295973644]
  SCOPE-FLは、効果的なフェデレート学習フレームワークである。 クライアント選択は、Top Trading Cycle (TTC)アルゴリズムによって解決された、双方向の学校選択問題として定式化される。 SCOPE-FLは、DA、IASなど、モデル精度、収束率、報酬効率など、最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2026-06-16T18:28:36Z)
• SPARX: Secure and Privacy-Aware Approximate CNN Acceleration with Edge RISC-V SoC [0.0]
  エッジAIシステムは、厳格なエネルギー、パフォーマンス、セキュリティ、プライバシの制約の下で、リアルタイムCNN推論を必要としている。 本稿では,不均一な RV32IMC RISC-V System-on-Chip に組み込まれたセキュアでプライバシに配慮した CNN アクセラレーションフレームワークである SPARX について述べる。
  論文  参考訳（メタデータ） (2026-06-08T07:02:32Z)
• QASA: Quality-Guided K-Adaptive Slot Attention for Unsupervised Object-Centric Learning [80.82392186401354]
  スロットアテンション(Slot Attention)は、シーン内の異なるオブジェクトを一連の"スロット"にバインドするアプローチである。 従来のK適応法はスロット結合の品質を明示的に制限しない。 我々はQASA(Quality-Guided K-Adaptive Slot Attention)を提案する。
  論文  参考訳（メタデータ） (2026-01-19T10:42:07Z)
• QoS-Aware Hierarchical Reinforcement Learning for Joint Link Selection and Trajectory Optimization in SAGIN-Supported UAV Mobility Management [52.15690855486153]
  宇宙空間統合ネットワーク (SAGIN) がユビキタスUAV接続を実現するための重要なアーキテクチャとして登場した。 本稿では,SAGINにおけるUAVモビリティ管理を制約付き多目的関節最適化問題として定式化する。
  論文  参考訳（メタデータ） (2025-12-17T06:22:46Z)
• Adaptive Spatial Goodness Encoding: Advancing and Scaling Forward-Forward Learning Without Backpropagation [5.092009068303438]
  我々は、畳み込みニューラルネットワーク(CNN)に適した、新しいフォワードフォワード(FF)ベースのトレーニングフレームワークを提案する。 ASGEは、各層における空間的に認識された良さの反感をマップで計算し、レイヤ単位での監視を可能にする。 FFベースのトレーニングが最初に成功したのはImageNetデータセットで、Top-1とTop-5のアキュラシーは26.21%と47.49%である。
  論文  参考訳（メタデータ） (2025-09-15T19:38:32Z)
• Digital Twin-Assisted Data-Driven Optimization for Reliable Edge Caching in Wireless Networks [60.54852710216738]
  我々はD-RECと呼ばれる新しいデジタルツインアシスト最適化フレームワークを導入し、次世代無線ネットワークにおける信頼性の高いキャッシュを実現する。 信頼性モジュールを制約付き決定プロセスに組み込むことで、D-RECは、有利な制約に従うために、アクション、報酬、状態を適応的に調整することができる。
  論文  参考訳（メタデータ） (2024-06-29T02:40:28Z)
• Optimizing Container Loading and Unloading through Dual-Cycling and Dockyard Rehandle Reduction Using a Hybrid Genetic Algorithm [1.350722707557839]
  本稿では,Quay Crane Dual-Cycling (QCDC) とドックのリハンドル最小化を統合することで,ポートでのコンテナハンドリングを最適化するNP-hard問題に対処する。 両側面を均等に最適化するハイブリッド遺伝的アルゴリズムであるQuay Crane Dual Cycle - Dockyard Rehandle Genetic Algorithm (QCDC-DR-GA)を提案する。 各種船体規模の実験により、QCDC-DR-GAは既存の方法と比較して、大型船の総運用時間を15～20%短縮することが示された。
  論文  参考訳（メタデータ） (2024-06-12T16:47:45Z)
• Distributed Deep Learning Inference Acceleration using Seamless Collaboration in Edge Computing [93.67044879636093]
  本稿では,コラボレーティブエッジコンピューティングにおける分散畳み込みニューラルネットワーク(CNN)を用いた推論高速化について検討する。 本研究では,第2エッジサーバ(ES)上のサブタスクの重なり合うゾーンをホストES上で実行し,HALPと命名した新しいタスク協調方式を設計する。 実験結果から,GTX 1080TIとJETSON AGX Xavierでは,単一のタスクに対して1.7-2.0x,バッチ毎に1.7-1.8x,バッチ毎に1.7-1.8x,VGG-16では1.7-2.0xのCNN推論を高速化できることがわかった。
  論文  参考訳（メタデータ） (2022-07-22T18:39:09Z)
• Provably Efficient Algorithms for Multi-Objective Competitive RL [54.22598924633369]
  エージェントの報酬がベクトルとして表現される多目的強化学習(RL)について検討する。 エージェントが相手と競合する設定では、その平均戻りベクトルから目標セットまでの距離によってその性能を測定する。 統計的および計算学的に効率的なアルゴリズムを開発し、関連するターゲットセットにアプローチする。
  論文  参考訳（メタデータ） (2021-02-05T14:26:00Z)

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。