文献

J-GLOBAL ID：202102243111225449   整理番号：21A0231289

混合協調および競合環境のためのマルチエージェント特徴学習および統合【JST・京大機械翻訳】

Multi-Agent Feature Learning and Integration for Mixed Cooperative and Competitive Environment

著者 (6件)： Zhang Yaowen (Artificial Intelligence Research Center, National Innovation Institute of Defense Technology,Beijing,China) ,  Shi Dianxi (Artificial Intelligence Research Center, National Innovation Institute of Defense Technology,Beijing,China) ,  Wu Yunlong (Artificial Intelligence Research Center, National Innovation Institute of Defense Technology,Beijing,China) ,  Zhang Yongjun (Artificial Intelligence Research Center, National Innovation Institute of Defense Technology,Beijing,China) ,  Wang Liujing (Tianjin Artificial Intelligence Innovation Center,Tianjin,China) ,  Xu Tianqi (Artificial Intelligence Research Center, National Innovation Institute of Defense Technology,Beijing,China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICTAI  ページ： 9-14  発行年： 2020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： 現在,分散実行(CTDE)マルチエージェント強化学習(MARL)アルゴリズムによる集中訓練の大部分は,均一シナリオの研究において良い結果を持っている。異なる役割,協調モデリングおよび信用割当て問題を有する不均一マルチエージェントシナリオは,効果的な集団戦略の学習に困難をもたらす。本論文では,協調に関する特徴学習と特徴統合の方法を提案した。特に,特徴学習の側面において,グラフ注意ネットワークを通して,エージェント間の関係をグラフ隣接行列表現に単純化して,それらの特徴ベクトルが関係属性を有するようにした。同時に,特徴統合のために,訓練された特徴を連結するためにバッチ正規化(BN)法を用いた。エージェント関係がエンドツーエンド設計によってモデル化できると期待する。一方,注意機構は,相互関連エージェント間の通信を強化することができる。実験を通して,著者らの方法は,異種マルチエージェントの協同的競合シナリオの改善に関して,重要な結果を持った。さらに,著者らは,合理的協力的および相加的攻撃対策を分析するために,出力を可視化することができた。Copyright 2021 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： アルゴリズム ,  *学習 ,  簡素化 ,  ネットワーク ,  可視化 ,  割当問題 ,  エンドツーエンド方式 ,  正規化 ,  *エージェント ,  強化学習
準シソーラス用語： 隣接行列 ,  特徴ベクトル ,  *マルチエージェント , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： 協調 ,  競合 ,  環境 ,  マルチエージェント ,  学習 ,  統合