論文の概要: Spatial Pattern Formation from Multi-Agent Learning in Public Goods Dilemmas

• arxiv url: http://arxiv.org/abs/2610.12321v1
• Date: Thu, 08 Oct 2026 17:03:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.199567
• Title: Spatial Pattern Formation from Multi-Agent Learning in Public Goods Dilemmas
• Title（参考訳）: 公共財ジレンマにおけるマルチエージェント学習からの空間パターン形成
• Abstract要約: よりリッチな場所への所定の移動が空間パターンを生成できることを示す。 エージェントがどこに移動するかを学ぶとき、どのようにこのようなパターンが出現するか、そして学習率が集団福祉にどのような影響をもたらすかを尋ねる。
• 参考スコア（独自算出の注目度）: 3.274506918999983
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatial public goods models show that prescribed movement toward richer locations can generate spatial patterns. We ask how such patterns emerge when agents learn where to move and how learning rates shape their consequences for collective welfare. Fixed populations of cooperators and defectors independently learn movement policies using tabular Q-learning and local observations. Cooperator learning generates clusters around resource peaks, while co-adaptation changes their strength and motion. At a fixed training budget, the largest welfare losses occur when cooperators learn at high rates and defectors at low rates. In part of this regime, learned policies also generate traveling bands supported by a shared directional preference. The conditions supporting travel change with further training, so these patterns reflect training history rather than an established asymptotic outcome. Across the tested learning-rate conditions with cooperator learning, mean collective welfare falls below random movement because increased crowding outweighs gains in resource benefit. Charging agents for the crowding they impose on others during learning recovers much of the welfare loss in the tested conditions. These results connect learning rates to the emergence and welfare costs of spatial organization driven by individual rewards.
• Abstract（参考訳）: 空間的公共財モデルは、よりリッチな場所への所定の移動が空間的パターンを生成できることを示している。 エージェントがどこに移動するかを学ぶとき、どのようにこのようなパターンが出現するか、そして学習率が集団福祉にどのような影響をもたらすかを尋ねる。 共同作業者や障害者の固定された集団は、表在的なQ-ラーニングと局所的な観察を用いて、独立して運動政策を学習する。 協調学習はリソースピークの周りのクラスタを生成し、コ適応は強みと動きを変化させる。 一定の訓練予算では、協力者が高いレートで学習し、低いレートで欠陥者を学ぶと、最大の福祉損失が発生する。 この体制の一部では、学習ポリシーは共有方向優先によって支持される旅行帯も生成する。 これらのパターンは、すでに確立された漸近的な結果ではなく、トレーニング履歴を反映している。 協調学習を伴うテストされた学習水準の条件全体において、集団福祉はランダムな運動を下回る。 学習中に他の人に課す群集に対する充電剤は、試験条件における福祉損失の多くを回復させる。 これらの結果は,個人報酬による空間的組織の形成と福祉コストに学習率を関連づけるものである。

関連論文リスト

• Emergence of cooperation: A reputation-modulated reinforcement learning [19.357969561684982]
  発言は、協力を維持するための重要なメカニズムとして広く認識されている。 本稿では,強化学習パラダイムに基づく空間的囚人のジレンマゲームを提案する。 その結果,評価変調学習は協調行動の出現を著しく促進することが明らかとなった。
  論文  参考訳（メタデータ） (2026-08-20T13:27:41Z)
• Inequality in Congestion Games with Learning Agents [49.16654883862325]
  ネットワークの構造だけでなく,通勤者による適応の仕方にも相違があることが示される。 潜在的効率性と公平性のトレードオフを捉えるために,学習中の非効率性の尺度であるPrice of Learning (PoL)を導入する。 シミュレーションにより,ネットワーク拡張が同時に効率を向上し,不等式を増幅できることが示唆された。
  論文  参考訳（メタデータ） (2026-01-28T13:16:25Z)
• Reciprocal Reward Influence Encourages Cooperation From Self-Interested Agents [2.1301560294088318]
  自己関心の個人間の協力は、自然界で広く見られる現象であるが、人工的な知的エージェント間の相互作用においては、いまだ解明されていない。 そこで,本研究では,リターンに対する相手の行動の影響を再現するために,本質的に動機づけられた強化学習エージェントであるReciprocatorを紹介する。 本研究では,同時学習において,時間的に拡張された社会的ジレンマにおける協調を促進するために,共用者が利用できることを示す。
  論文  参考訳（メタデータ） (2024-06-03T06:07:27Z)
• Can Active Sampling Reduce Causal Confusion in Offline Reinforcement Learning? [58.942118128503104]
  因果的混乱(英: Causal confusion)とは、エージェントがデータ中の不完全な急激な相関を反映するポリシーを学ぶ現象である。 この現象は特にロボット工学などの領域で顕著である。 本稿では,オフライン強化学習における因果的混乱について検討する。
  論文  参考訳（メタデータ） (2023-12-28T17:54:56Z)
• Flexible social inference facilitates targeted social learning when rewards are not observable [58.762004496858836]
  グループは、個人が他人の成功から学べるときにより効果的にコーディネートする。 社会的推論能力は、このギャップを埋める助けとなり、個人が他人の基本的な知識に対する信念を更新し、観察可能な行動軌跡から成功することを示唆する。
  論文  参考訳（メタデータ） (2022-12-01T21:04:03Z)
• Improved cooperation by balancing exploration and exploitation in intertemporal social dilemma tasks [2.541277269153809]
  本研究では,探索と搾取のバランスをとることができる学習率を組み込むことで協調を達成するための新たな学習戦略を提案する。 簡単な戦略を駆使したエージェントは、時間的社会的ジレンマと呼ばれる意思決定タスクにおいて、相対的に集団的リターンを改善する。 また、学習率の多様性が強化学習エージェントの人口に与える影響についても検討し、異種集団で訓練されたエージェントが特に協調した政策を発達させることを示す。
  論文  参考訳（メタデータ） (2021-10-19T08:40:56Z)
• Bridging the Imitation Gap by Adaptive Insubordination [88.35564081175642]
  教官が特権情報にアクセスして意思決定を行う場合、この情報は模倣学習中に疎外されることを示す。 本稿では,このギャップに対処するため,適応的不規則化(ADVISOR)を提案する。 ADVISORは、トレーニング中の模倣と報酬に基づく強化学習損失を動的に重み付け、模倣と探索をオンザフライで切り替えることを可能にする。
  論文  参考訳（メタデータ） (2020-07-23T17:59:57Z)

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。