集団学習における依存エージェントのための確率プーリング【JST・京大機械翻訳】

Lawry Jonathan; Lee Chanelle

文献

J-GLOBAL ID：202002271767763214 整理番号：20A2244978

集団学習における依存エージェントのための確率プーリング【JST・京大機械翻訳】

Probability pooling for dependent agents in collective learning

出版者サイト複写サービスで全文入手
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=20A2244978&from=J-GLOBAL&jstjournalNo=E0180C") }}

著者 (2件)： ,
資料名：
巻： 288 ページ： Null 発行年： 2020年
JST資料番号： E0180C ISSN： 0004-3702 資料種別：逐次刊行物 (A)
記事区分：原著論文発行国：オランダ (NLD) 言語：英語 (EN)

確率プールを実行するとき,異なるエージェント確率判断の間の依存性をモデル化する方法として,コピュラの使用を提案した。これは,プールが,異なる個体によって提供される確率値に基づいて更新の形として見なされる確立されたBayesモデルと組み合わされた。コピュラのFrankファミリーを採用して,エージェントの集団が2つの相互に排他的で網羅的な仮説が真実であるコンセンサスに達しなければならない集団学習問題との関連で,個体間の共単調依存性の異なる仮定レベルの影響を調べた。このシナリオエージェントは,2つのソースからの証拠を受ける。環境から直接,また確率判断の形で他のエージェントからもいる。次に,前者にBayes更新を適用し,後者に確率プールを適用した。マルチエージェントシミュレーション実験を行い,エージェント間の共単調性の仮定の下で最適母集団レベル性能が得られ,その結果,エージェント独立性の標準仮定が最適であることを示した。これは,大量のノイズと非常に低い量の直接証拠があるシナリオの特に真実である。最後に,世界変化の真の状態が変化する動的環境を調べ,エージェント依存性の最適レベルを同定することが,真の状態が一定のままである静的環境よりも性能に対してさらに大きい影響を持つことを示した。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

, ,
, 【Automatic Indexing@JST】

著者キーワード (4件)： , , ,

人工知能

, ,

前のページに戻る