論文の概要: Multi-Agent Coordination via Support-Preserving Distillation

• arxiv url: http://arxiv.org/abs/2610.10087v1
• Date: Wed, 07 Oct 2026 13:48:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.941382
• Title: Multi-Agent Coordination via Support-Preserving Distillation
• Title（参考訳）: サポート保存蒸留によるマルチエージェントコーディネーション
• Abstract要約: オフラインMARLは多モード共同動作をモデル化するための生成ポリシーにますます依存している。 そこで我々は,この教師側アーティファクトを除去するために,モードSupport Semi-Discrete Optimal Transport (MoSDOT)を提案する。 MoSDOTはエンドポイントの品質とルーティングの整合性、特にマルチモーダルな関節動作を示すデータセットを改善する。
• 参考スコア（独自算出の注目度）: 17.42088770931036
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Offline MARL increasingly relies on generative policies to model multimodal joint behavior, typically by distilling a centralized teacher into decentralized one-step actors under the CTDE. We identify a failure mode at the teacher training stage: standard flow-based teachers pair noise with replay targets independently, so nearby noise samples can be routed toward conflicting coordination modes. The teacher then produces samples between valid modes, and because the distillation loss regresses each local actor onto the conditional mean of the teacher's output given local input, this error is not absorbed but propagated to the student. To remove this teacher-side artifact, we propose Mode-Support Semi-Discrete Optimal Transport (MoSDOT), which summarizes multimodal replay into a finite mode support with prescribed capacities and uses conditional semi-discrete optimal transport to assign each noise sample to a single mode before teacher training. We additionally study a shared-randomness variant that uses a shared noise component at execution to expose the residual gap intrinsic to strict-product execution. On controlled diagnostics and offline MARL benchmarks, MoSDOT improves endpoint quality and routing consistency, particularly on datasets exhibiting multimodal joint behavior.
• Abstract（参考訳）: オフラインMARLは、多モーダルジョイントの振る舞いをモデル化するための生成ポリシーをますます頼りにしており、典型的には、集中型教師をCTDEの下で分散化されたワンステップアクターに蒸留する。 教師訓練段階における障害モードを特定する: 標準的なフローベースの教師は、ノイズを個別にリプレイターゲットとペアリングするので、近隣のノイズサンプルは、矛盾する調整モードにルーティングできる。 その後、教師は有効なモード間でサンプルを生成し、蒸留損失が各ローカルアクターをローカル入力された教師の出力条件平均まで後退させるので、このエラーは吸収されず、生徒に伝播する。 教師側アーティファクトを除去するために,マルチモーダル・リプレイを所定の容量で有限モードに要約し,条件付き半離散的最適輸送を用いて教師のトレーニング前に各ノイズサンプルを単一モードに割り当てるモード・サップポート・セミディレクト・最適輸送(MoSDOT)を提案する。 さらに、共有ノイズ成分を実行時に使用して、厳密な製品実行に固有の残差を露呈する共有ランダム性変異についても検討する。 制御された診断とオフラインのMARLベンチマークでは、特にマルチモーダルな関節動作を示すデータセットにおいて、MoSDOTはエンドポイントの品質とルーティング一貫性を改善している。

関連論文リスト

• Data Unlearning via Inverse Distillation [65.89214072069687]
  Inverse Distillation Unlearning (IDU) は、教師のマルチステップマッチングモデルを効率的なワンステップの学生ジェネレータに同時に蒸留するフレームワークである。 IDUは,保持クラスにおける生成品質を保ちながら,忘れられたクラスの生成頻度を大幅に低減することを示す。
  論文  参考訳（メタデータ） (2026-09-28T18:39:35Z)
• Self-OPD: On-Policy Distillation for Flow Matching Models without Teacher [36.07614733558147]
  フローマッチングモデルのための教師なしOPDフレームワークである textbfSelf-OPD を紹介する。 Self-OPDは決定論的次状態予測を$K$SDE候補に分割し、ODEサンプルとロールアウトして、決定論的自己参照ベースラインと比較する。 単品と混合報酬のベンチマーク実験により、セルフOPDはタスク固有の教師を伴わずに、以前のRLとOPDメソッドよりも優れていた。
  論文  参考訳（メタデータ） (2026-08-27T09:34:23Z)
• DistillAlign: Coordinating Mode Covering and Mode Seeking in Autoregressive Video Distillation [29.992105358526715]
  本稿では,学生と教師の分布の精度とカバレッジを計測する分布評価プロトコルを提案する。 本稿では, DMD のモード探索目的と Consistency Distillation に基づくモード被覆制約を組み合わせた共同蒸留法を提案する。
  論文  参考訳（メタデータ） (2026-07-29T11:58:47Z)
• Purified OPSD: On-Policy Self-Distillation Without Losing How to Think [52.879387744920415]
  オンライン自己蒸留(OPSD)は長いチェーン・オブ・ソート(Long-CoT)推論モデルでは一貫して失敗する。 まず,教師が指導信号の非伝達可能成分を分離するために,参照のみの教師を構築する。 第2に、この残差をよく形成されたPMIターゲット分布に変換するメカニズムとして、ポイントワイズ相互情報(PMI)を用いる。
  論文  参考訳（メタデータ） (2026-07-02T14:33:07Z)
• Beyond Trajectory Matching: Reflow with Marginal Distribution Alignment [7.13416637929041]
  拡散および連続フロー生成モデルは高品質な生成を実現する。 リフローに基づく蒸留は、教師のODE軌道を単純化し、生徒モデルが教師の移動を少ないステップで近似できるようにする。 本稿では,各蒸留間隔の終点において,学生が引き起こした限界値とそれに対応する教師の限界値との差分をペナライズする境界アライメント正規化器を提案する。
  論文  参考訳（メタデータ） (2026-06-28T09:19:44Z)
• Adversarial Dual On-Policy Distillation from Expressive Teacher [53.63143943452487]
  フローマッチングの教師は、デモから学び、軽量の学生と共同で訓練される。 教師は学生のロールアウトに2つの補完的な信号を提供します。 アクションチャネルは、学生が訪問する州で密集したローカルターゲットを提供し、搾取を安定化させる。
  論文  参考訳（メタデータ） (2026-05-26T14:38:03Z)
• DiffusionOPD: A Unified Perspective of On-Policy Distillation in Diffusion Models [55.01951088768769]
  DiffusionOPDはオンライン政策蒸留(OPD)に基づく拡散モデルのための新しいマルチタスクトレーニングパラダイムである 本研究では,DiffusionOPDがトレーニング効率と最終性能において,マルチリワードRLとカスケードRLのベースラインを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2026-05-14T16:49:09Z)
• Dual-level Modality Debiasing Learning for Unsupervised Visible-Infrared Person Re-Identification [59.59359638389348]
  本稿では,モデルと最適化の両レベルでのデバイアス処理を実装したデュアルレベルのモダリティ・デバイアス学習フレームワークを提案する。 ベンチマークデータセットの実験では、DMDLはモダリティ不変の特徴学習とより一般化されたモデルを可能にすることを示した。
  論文  参考訳（メタデータ） (2025-12-03T12:43:16Z)
• CTDS: Centralized Teacher with Decentralized Student for Multi-Agent Reinforcement Learning [114.69155066932046]
  この作品は小説を提案している。 教師モデルと学生モデルからなる分散学生(C TDS)フレームワーク。 具体的には、教師モデルは、グローバルな観察で条件付けられた個別のQ値を学ぶことで、チームの報酬を割り当てる。 学生モデルは、部分的な観察を利用して、教師モデルによって推定されるQ値を近似する。
  論文  参考訳（メタデータ） (2022-03-16T06:03:14Z)
• Continual self-training with bootstrapped remixing for speech enhancement [32.68203972471562]
  RemixITは、音声強調のためのシンプルで斬新な自己教師型訓練手法である。 実験の結果,RemixITは従来の最先端の自己管理手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-10-19T16:56:18Z)

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。