論文の概要: Dynamic Conflict Clustering with Lightweight Learning and Strategic Repair for Distributed Constraint Satisfaction
- arxiv url: http://arxiv.org/abs/2610.15658v1
- Date: Sun, 11 Oct 2026 14:35:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.231849
- Title: Dynamic Conflict Clustering with Lightweight Learning and Strategic Repair for Distributed Constraint Satisfaction
- Title（参考訳）: 分散型制約充足のための軽量学習と戦略的修復による動的衝突クラスタリング
- Abstract要約: 本研究では, コンフリクト中心分解, 構造化協調, 戦略的修復, 停滞回復のための軽量学習を組み合わせた修復型解法であるDynamic Conflict Clustering-Incomplete (DCC-Incomplete)を提案する。
分散グラフカラー化ベンチマークにおけるDCC-不完全性の徹底的な評価は、メモリ誘導再起動が37.50%から61.11%に改善したことを示している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Distributed Constraint Satisfaction Problems (DCSPs) model distributed decision-making in multi-agent systems, where agents assign values to local variables while satisfying shared constraints. However, many DCSP solvers still rely on broad, repeated peer-to-peer communication and are largely reactive, with limited support for strategic coordination or learning. This increases communication overhead, can lead to stagnation, and reduces the success of hard instances. Hence, we propose Dynamic Conflict Clustering-Incomplete (DCC-Incomplete), a repair-based solver that combines conflict-centred decomposition, structured coordination, strategic repair, and lightweight learning for stagnation recovery. DCC-Incomplete groups the unsolved part of the problem into conflict clusters and restricts communication via a coordination layer to agents within the same conflict region. It also introduces memory-guided restart, enabling agents and clusters to pause, revise, and adapt repairs based on neighbouring conflict states. A thorough evaluation of DCC-Incomplete on distributed graph-colouring benchmarks with planted satisfying assignments shows that its memory-guided restart improves the success rate from 37.50% to 61.11%, reduces median runtime from 0.565s to 0.367s, and cuts median communication from 12.493 to 6.503 messages per constraint. These results suggest that dynamic conflict clustering, combined with lightweight strategic and learning-guided repair, improves both communication efficiency and robustness in incomplete DCSP solving.
- Abstract（参考訳）: 分散制約満足度問題(DCSP)は、エージェントが共有制約を満たしながらローカル変数に値を割り当てるマルチエージェントシステムにおいて分散意思決定をモデル化する。
しかし、多くのDCSPソルバは広範かつ反復的なピアツーピア通信に依存しており、戦略的コーディネートや学習へのサポートが限られている。
これにより通信オーバーヘッドが増加し、停滞につながる可能性があるため、ハードインスタンスの成功が減少する。
そこで本稿では, コンフリクト中心分解, 構造化協調, 戦略的修復, 停滞回復のための軽量学習を組み合わせた修復型解法であるDynamic Conflict Clustering-Incomplete (DCC-Incomplete)を提案する。
DCC-不完全群は、問題の未解決部分を競合クラスタに分類し、同じ競合領域内のエージェントに対する調整層による通信を制限する。
また、メモリ誘導リスタートを導入し、エージェントやクラスタが近隣の競合状態に基づいて修正を一時停止、修正、適応できるようにする。
分散グラフカラー化ベンチマークにおけるDCC-不完全性の徹底的な評価は、メモリ誘導再起動によって成功率が37.50%から61.11%に向上し、中央値ランタイムが0.565sから0.367sに低下し、中央値通信が12.493から6.503に削減されたことを示している。
これらの結果は、動的コンフリクトクラスタリングと軽量な戦略的および学習誘導型修復を組み合わせることで、不完全なDCSP解法における通信効率とロバスト性の両方を改善することを示唆している。
関連論文リスト
- BRIDGE: Selective Boundary Repair with Dependency Graph Evidence in Multi-Agent Systems [59.26551527044981]
methodは、ハンドオフ修復を明示的な依存性の摂動に対する選択的介入として扱うランタイム制御フレームワークである。
SILO-BENCHでは12.3パーセンテージ、TeamBenchでは11.1ポイントまでタスクの成功を加速させる。
論文 参考訳（メタデータ） (2026-10-13T06:31:57Z) - Communication-Efficient Digital-Twin Coordination for Heterogeneous LLM Embodied Agents over Computing Power Networks [48.90302419915548]
異種大規模言語モデル(LLM)を駆使したエージェントチームは、スマートファクトリー、倉庫、サービスロボティクスに広く配備されている。
軽量ディジタルツイン(DT)上に構築したネットワーク協調フレームワーク LDT-Coord を提案する。
具体的には、各エージェントは、意図したアクションを独立して選択し、共有リソースに対するアクション決定と構造化時間制約の両方をDTサーバに通知する。
論文 参考訳（メタデータ） (2026-07-10T12:10:31Z) - ExComm: Exploration-Stage Communication for Error-Resilient Agentic Test-Time Scaling [57.42714978834704]
ExCommは、探索段階のエージェントテストタイムスケーリングのための通信プロトコルである。
ExCommは、強いテスト時間スケーリングベースラインを一貫して上回ります。
論文 参考訳（メタデータ） (2026-05-21T07:38:44Z) - TSC: Topology-Conditioned Stackelberg Coordination for Multi-Agent Reinforcement Learning in Interactive Driving [37.09409794849228]
トポロジ条件付きStackelberg Coordinationは、コミュニケーションフリー実行下での分散インタラクティブ運転のための学習フレームワークである。
TSCは,主要な指標をまたいだ代表的MARLベースラインよりも優れた性能を示す。
論文 参考訳（メタデータ） (2026-02-27T10:46:41Z) - Multi-Agent Deep Reinforcement Learning for Collaborative UAV Relay Networks under Jamming Atatcks [36.380478794869234]
本稿では,この課題を,分散実行トレーニング(CTDE)フレームワークを用いて解決したMARL(Multi-Agent Reinforcement Learning)問題として定式化する。
提案手法はベースラインを著しく上回り,システム全体のスループットを約50%向上し,同時にほぼゼロの衝突速度を実現した。
重要な発見は、エージェントが明示的なプログラミングなしに創発的なアンチジャミング戦略を開発することである。
論文 参考訳（メタデータ） (2025-12-09T08:11:21Z) - Scalable Multi-Agent Path Finding using Collision-Aware Dynamic Alert Mask and a Hybrid Execution Strategy [14.091856940824258]
マルチエージェントパスフィンディングは、ロボット工学や自律システムにおいて重要な問題である。
本稿では,分散経路計画と軽量集中コーディネータを組み合わせたハイブリッドフレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-10T15:25:40Z) - Decentralized Dynamic Cooperation of Personalized Models for Federated Continual Learning [50.56947843548702]
フェデレーション型連続学習のための分散動的協調フレームワークを提案する。
顧客は、新しい知識の獲得と事前学習の維持のバランスをとるために、動的な協調学習連合を確立する。
また、協調的・動的平衡を達成するために、マージブロックアルゴリズムと動的協調的進化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-09-28T06:53:23Z) - Multi-Agent Reinforcement Learning for Task Offloading in Wireless Edge Networks [3.065057842316041]
エッジコンピューティングシステムでは、自律エージェントは共有リソースを競いながら、高速なローカル決定をしなければならない。
本稿では,各エージェントが制約付きマルコフ決定プロセス(CMDP)を解き,共有制約ベクトルを通じて暗黙的にコーディネートする分散フレームワークを提案する。
安全強化学習を用いて、エージェントは、地域とグローバルの両方の目標を満たすポリシーを学ぶ。
論文 参考訳（メタデータ） (2025-09-01T08:47:36Z) - Compressed Regression over Adaptive Networks [58.79251288443156]
分散エージェントのネットワークによって達成可能な性能を導出し,通信制約や回帰問題を解消し,適応的に解決する。
エージェントによって最適化に必要なパラメータをオンラインで学習できる最適化アロケーション戦略を考案する。
論文 参考訳（メタデータ） (2023-04-07T13:41:08Z) - Distributed Adaptive Learning Under Communication Constraints [54.22472738551687]
本研究では,コミュニケーション制約下での運用を目的とした適応型分散学習戦略について検討する。
我々は,ストリーミングデータの連続的な観察から,オンライン最適化問題を解決しなければならないエージェントのネットワークを考える。
論文 参考訳（メタデータ） (2021-12-03T19:23:48Z)
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。