文献

J-GLOBAL ID：201902284518677652   整理番号：19A2402052

マルチエージェント強化学習によるゲームゲームにおける分散協調ポリシーの学習【JST・京大機械翻訳】

Learning Distributed Coordinated Policy in Catching Game with Multi-Agent Reinforcement Learning

著者 (2件)： Liu Xiangyu (Key Laboratory of Machine Perception (MOE), Peking University) ,  Tan Ying (Key Laboratory of Machine Perception (MOE), Peking University)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： IJCNN  ページ： 1-7  発行年： 2019年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 強化学習のような学習に基づく方法はマルチエージェントシステム設計にうまく適用されているが,部分的に観測された環境設定におけるエージェントに対する効率的な協調政策を学習することは依然として困難である。集中学習者はより多くの情報を含んでいるが,より複雑性を追加するが,独立学習者は部分的観察を受ける。これらの問題を解決するために,著者らは,経験から協調した政策を直接学ぶために,直接的なマルチエージェント・アクター・クリティック・アルゴリズムを提案する。有向グラフモデルは,グローバル情報と行動を含むすべての情報を得ることができて,それは分散学習アクターのために効果的学習信号を提供した。著者らは,テストシナリオとしてマルチエージェントキャッチングゲームを取り上げ,そこでは,タスクは複数の移動パドルをスクリーンのトップから落下するボールを捕捉するために協調させることである。いくつかの実験的評価を行い,この方法が集中化および独立学習アプローチと比較して,学習性能,協調効果およびスケーラビリティにおいて優れた結果をもたらすことを示した。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 協同現象 ,  *エージェント ,  *強化学習 ,  有向グラフ ,  マルチエージェントシステム ,  *ゲーム ,  集中化 ,  *学習 ,  スクリーン ,  *分散協調
準シソーラス用語： 動作主 ,  分散学習 ,  複雑性 ,  学習者 ,  *マルチエージェント , 【Automatic Indexing@JST】

分類 (3件)： 図形・画像処理一般  (JE04010I) ,  人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： マルチエージェント ,  強化学習 ,  ゲーム ,  分散協調 ,  学習