文献

J-GLOBAL ID：202202229929793365   整理番号：22A0205194

マルチエージェント能動探索:強化学習アプローチ【JST・京大機械翻訳】

Multi-Agent Active Search: A Reinforcement Learning Approach

著者 (3件)： Igoe Conor (School of Computer Science, Machine Learning Department, Carnegie Mellon University, Pittsburgh, PA, USA) ,  Ghods Ramina (School of Computer Science, the Robotics Institute, Carnegie Mellon University, Pittsburgh, PA, USA) ,  Schneider Jeff (School of Computer Science, Machine Learning Department, Carnegie Mellon University, Pittsburgh, PA, USA)
資料名： IEEE Robotics and Automation Letters  (IEEE Robotics and Automation Letters)
巻： 7  号： 2  ページ： 754-761  発行年： 2022年 
JST資料番号： W2448A  ISSN： 2377-3766  資料種別： 逐次刊行物 (A)
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： マルチエージェントアクティブ検索(MAAS)は,データ収集決定を能動的に行うことにより,未知の環境においてスパースターゲットを位置決めする目的で,アクティブ学習問題である。最近提案されたアルゴリズムは,理論的展望から十分に動機付けられているが,それらは3つの重要な方法で制限される:それらは明示的なmyopic(例えば,情報利得に関して)か,または完全に非筋肉挙動の短い強いバイアスを導入する。それらは,任意の特定のエージェント構成を最適化せずにマルチエージェント設定にスケールする汎用協調機構を採用する。そして,それらは適切なセンシング領域を決定するために有意なオンライン計算を含む。本レターでは,関連POMDPの信念空間における学習ポリシーとして,強化学習問題としてPoisson点プロセス定式化と鋳造MAASを導入した。そのようなアプローチが以前のアルゴリズムの3つの課題の各々を克服することができるかを示し,試験時間誤通信に対して驚くほどロバストである。Copyright 2022 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 ,  最適化 ,  *学習 ,  鋳造 ,  通信 ,  バイアス ,  データ収集 ,  定式化 ,  ロバスト性 ,  *エージェント ,  *強化学習
準シソーラス用語： 能動学習 ,  オンライン ,  *マルチエージェント ,  POMDP , 【Automatic Indexing@JST】

分類 (3件)： システム同定  (IA02040O) ,  パターン認識  (JE07000S) ,  信号理論  (ND02020G)

タイトルに関連する用語 (3件)： マルチエージェント ,  探索 ,  強化学習