文献

J-GLOBAL ID：202402273703136799   整理番号：24A0622430

クラスタリングと経験共有を用いたマルチエージェント強化学習の学習手法の提案

著者 (2件)： 井口要 (早稲田大) ,  菅原俊治 (早稲田大)
資料名： 情報処理学会研究報告(Web)  (IPSJ Technical Report (Web))
巻： 2024  号： ICS-212  ページ： Vol.2024-ICS-212,No.5,1-7 (WEB ONLY)  発行年： 2024年02月22日 
JST資料番号： U0451A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 近年,マルチエージェント深層強化学習の研究は活発だが,全エージェントが同質(homogeneous agents)であるという仮定をおくことが多い.しかし,高度で複雑なシステムでは,異質エージェント(heterogeneous agents)が混在する場合もある.本研究では,エージェント間の経験を共有することで報酬が疎となる環境でも効率的に探索することができる既存の学習手法であるShared Experience Actor-Critic(SEAC)を,エージェントの類似度に基づいてクラスタリングすることで,類似したエージェント間での経験共有を可能にし,これを異種エージェント環境に適応した学習手法を提案する.評価実験を通して,提案手法がSEACの持つ利点を残したまま,異種エージェント環境においても高効率な協調行動ができることを示す.(著者抄録)

シソーラス用語： *クラスタ化 ,  経験 ,  *エージェント ,  *強化学習 ,  学習 ,  賃金 ,  環境 ,  度 ,  行動 ,  *マルチエージェント ,  インセンティブ ,  *改変
準シソーラス用語： *クラスタリング ,  協調行動 ,  報酬 ,  類似度

分類 (2件)： CAI  (JE09000G) ,  その他の情報処理  (JE15050M)

タイトルに関連する用語 (8件)： クラスタリング ,  経験 ,  共有 ,  マルチエージェント ,  強化学習 ,  学習 ,  手法 ,  提案