論文の概要: How a group that cannot communicate knows itself by its enemy

• arxiv url: http://arxiv.org/abs/2610.40835v1
• Date: Thu, 29 Oct 2026 18:15:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.468176
• Title: How a group that cannot communicate knows itself by its enemy
• Title（参考訳）: 意思疎通できない集団がいかに敵に自覚するか
• Abstract要約: 無慈悲なハンター、妨害されたロボット、そして決して会わないトレーダーは、グループ全体に反応する敵に直面している。 各メンバーからのメッセージの処理を行うことができる。 コミットしたチームは、対戦相手が自身の目標をより気にすると、決して負けません。
• 参考スコア（独自算出の注目度）: 0.7106986689736825
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Teams that cannot communicate seem stuck with what each member sees. We show that their opponent can tell them the rest. Silent hunters, jammed robots and traders who never meet all face an adversary that reacts to the group as a whole; every member can read that reaction, a tell, and learn what no member knows alone. One tell can do the work of a message from every member. The adversary would rather hide, but hiding interferes with its own task, and a team that commits in advance to how it will respond decides how much hiding is worth. A committed team never loses when its opponent cares more about its own goals, and does as well as a fully informed team exactly when the opponent's stake outweighs any gain from lying. Below that point the team learns more by trusting less: in a solved Gaussian model it obtains the truth by promising not to use all of it and keeps the cost the opponent would have paid to conceal; an exact test decides when this holds in finite games. How a team spreads its trust matters too. A lone uninformed member with a full-support prior needs a private coin, but with additive squared-error losses two interchangeable members who respond differently replace it, and a small discount on trust insures against misjudging the enemy. Information, on this view, is not only gathered or aggregated; it is produced by how a team commits to respond.
• Abstract（参考訳）: コミュニケーションの取れないチームは、各メンバが見ているものに固執しているように見える。 私たちは彼らの相手が彼らに残りを伝えることができることを示します。 サイレントハンター、ジャムされたロボット、トレーダーは、グループ全体に反応する敵に決して会わない。 各メンバーからのメッセージの処理を行うことができる。 敵はむしろ隠れることを好むが、隠れること自体が自身のタスクを妨害し、それに対応するために事前にコミットするチームは、隠れることの価値をどの程度決定する。 コミットしたチームは、相手が自分の目標をもっと気にするときに負けることはなく、また、相手の持分が嘘の利得を上回った時に、完全に情報を得たチームも負ける。 解決されたガウスモデルでは、そのすべてを使用せず、相手が隠れるために支払ったコストを維持することを約束し、真実を得る。 チームが信頼をいかに広めるかも重要です。 フルサポート前の単独の非インフォームメンバーは、プライベートコインを必要とするが、追加の正方形エラーの損失により、2人の交換可能なメンバーが別の方法でリプレースし、信頼保証の少額の割引で、敵の不正行為を免れる。 この観点では、情報は収集または集約されるだけでなく、チームがどのように対応をコミットするかによって生成される。

関連論文リスト

• Self-Organizing Agent Teams Learn to Reason Together [52.45199430212268]
  私たちは、以前のコラボレーションから再利用可能な戦略を学び、役割、会話フェーズ、参加、情報の流れを整理する、AIエージェントの固定チームである、自己組織化エージェントチーム(SAT)を紹介します。 これらの戦略は、私たちがコラボレーティブ計算と呼ぶものを可能にします。エージェントの交換、チャレンジ、修復、そして、メンバーが独立して生成しないソリューションへの部分的推論を合成します。
  論文  参考訳（メタデータ） (2026-09-19T01:27:40Z)
• Heterogeneous Multi-Player Multi-Armed Bandits Robust To Adversarial Attacks [19.184883255588126]
  システム内のプレイヤーが受ける報酬に負の影響を及ぼそうとする敵の存在下で、マルチプレイヤーバンディットの設定を考える。 衝突(複数のプレイヤーが同じ腕を選択している)が発生した場合、すべての衝突したユーザーは報酬を受け取らない。 敵は、プレイヤーが受ける報酬、すなわち敵が腕を攻撃した場合、その腕を選択するプレイヤーはゼロの報酬を受ける。
  論文  参考訳（メタデータ） (2025-01-21T08:51:23Z)
• All by Myself: Learning Individualized Competitive Behaviour with a Contrastive Reinforcement Learning optimization [57.615269148301515]
  競争ゲームのシナリオでは、エージェントのセットは、彼らの目標を最大化し、敵の目標を同時に最小化する決定を学習する必要があります。 本稿では,競争ゲームの表現を学習し,特定の相手の戦略をどうマップするか,それらを破壊するかを学習する3つのニューラルネットワーク層からなる新しいモデルを提案する。 我々の実験は、オフライン、オンライン、競争特化モデル、特に同じ対戦相手と複数回対戦した場合に、我々のモデルがより良いパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2023-10-02T08:11:07Z)
• A Marriage between Adversarial Team Games and 2-player Games: Enabling Abstractions, No-regret Learning, and Subgame Solving [31.29335755664997]
  emphExのアンテ相関は、プレイヤーのチームがゼロサムゲームで別のチームと対決する、後続のチームゲームにおいて主流のアプローチになりつつある。 本研究は, 連勝チームゲームと2プレーヤゲームとのギャップを埋めることで, この弱点から回復できることを示す。 我々は,emphteam-public-informationと呼ばれる新しいゲーム表現を提案し,チーム全体で共通する情報のみを知り,各メンバーに可能なプライベートな状態に対するアクションを指示する単一コーディネータとして表現する。
  論文  参考訳（メタデータ） (2022-06-18T10:02:08Z)
• Collusion Detection in Team-Based Multiplayer Games [57.153233321515984]
  チームベースのマルチプレイヤーゲームにおいて,協調動作を検出するシステムを提案する。 提案手法は,ゲーム内行動パターンと組み合わせたプレイヤーの社会的関係を解析する。 次に,非教師なし学習手法であるアイソレーションフォレストによる検出を自動化する。
  論文  参考訳（メタデータ） (2022-03-10T02:37:39Z)
• Coach-Player Multi-Agent Reinforcement Learning for Dynamic Team Composition [88.26752130107259]
  現実世界のマルチエージェントシステムでは、異なる能力を持つエージェントがチーム全体の目標を変更することなく参加または離脱する可能性がある。 この問題に取り組むコーチ・プレイヤー・フレームワーク「COPA」を提案します。 1)コーチと選手の両方の注意メカニズムを採用し、2)学習を正規化するための変動目標を提案し、3)コーチが選手とのコミュニケーションのタイミングを決定するための適応的なコミュニケーション方法を設計する。
  論文  参考訳（メタデータ） (2021-05-18T17:27:37Z)
• L2E: Learning to Exploit Your Opponent [66.66334543946672]
  本稿では,暗黙的対向モデリングのための新しい学習フレームワークを提案する。 L2Eは、トレーニング中に異なる相手との対話によって、相手を悪用する能力を取得する。 本稿では, 対戦相手を自動的に生成する新しい対戦相手戦略生成アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-18T14:27:59Z)
• Zero Knowledge Games [0.0]
  本稿では,選手の公開発表時の情報伝達に関する共通知識を生成する線形変換として,修正されたスライディングブロックコードを導入する。 両プレイヤーに通知されるゼロ知識ゲームは、混合戦略ナッシュ均衡に確立された信頼の効力を有する。
  論文  参考訳（メタデータ） (2020-09-28T16:04:52Z)
• Learning to Play Sequential Games versus Unknown Opponents [93.8672371143881]
  学習者が最初にプレーするゲームと、選択した行動に反応する相手との連続的なゲームについて考察する。 対戦相手の対戦相手列と対戦する際,学習者に対して新しいアルゴリズムを提案する。 我々の結果には、相手の反応の正則性に依存するアルゴリズムの後悔の保証が含まれている。
  論文  参考訳（メタデータ） (2020-07-10T09:33:05Z)
• On the Robustness of Cooperative Multi-Agent Reinforcement Learning [32.92198917228515]
  協力的マルチエージェント強化学習(c-MARL)では、エージェントはチームとして協力的に行動し、チーム全体の報酬を最大化する。 我々は,チーム内のエージェントを攻撃できる敵に対するc-MARLのロバスト性を分析する。 一つのエージェントを攻撃することで、我々の攻撃方法はチーム全体の報酬に非常に悪影響を及ぼし、それを20から9.4に減らします。
  論文  参考訳（メタデータ） (2020-03-08T05:12:13Z)

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。