抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
エージェントが依存タスクのシステムを解くために協調できるマルチエージェントシステムを提示し,エージェントは,解空間を探索する能力を持ち,推論を,また,限られた予算の下で情報のためのクエリーを問う。解空間の再探索は,より古い解が,環境内の動的変化に適応できる場合,エージェントによって行われる。タスク依存性,高依存グラフG_40(それぞれ,タスクを代表している40の高度に連結されたノードを含むよく知られたプログラムグラフ)と,より少ない依存グラフG_18(より少ないリンクで18のタスクを含むプログラムグラフ),エージェントの速度を増加させ,エージェントに利用可能な質問予算とクエリーバジェットの計算量を,調査する。特に,エージェントの速度と質問予算の間のトレードオフを評価した。実験の間,単一エージェントの速度の増加は,あるポイントだけにシステム性能を改善し,そして,より速いエージェントの数の増加は,タスク依存性のためにシステム性能を改善しないかもしれないことを観察した。「Matthew効果」に沿って,予算配分中の高速エージェントのファブリングはシステム性能を高める。また,より早いエージェントへのより多くの予算の割り当ては,より依存しないシステムに対してより良い性能を与えるが,より速いエージェントの数を増加させると,高依存システムに対してより良い性能が得られることも観測された。【JST・京大機械翻訳】