Unrolled Graph Learning for Multi-Agent Collaboration

要約

タイトル「Multi-Agent CollaborationのためのRollout Graph Learning」

要約：
– 多数のエージェントを利用した機械学習シナリオにおいて、データ交換の制約を受けた分散型機械学習への取り組みが注目されている。
– しかし、従来の多数のエージェントを利用した学習モデルでは、エージェント間の固定的で必須な協調的関係下でデータを融合することが考慮されており、人間の協調とは柔軟性と自律性に欠ける。
– このギャップを埋めるために、エージェントが適切なコラボレータを自律的に検出し、パフォーマンスを向上させるために、人間の協力に着想を得た分散型多数エージェント学習モデルを提案する。
– このような適応型コラボレーションを実現するため、協働グラフを使用して2者間の協働関係を示す。
– 協力グラフは、異なるエージェント間のモデルの類似性に基づくグラフ学習技術によって得られる。
– モデルの類似性は固定グラフ最適化によって定式化できないため、潜在的な共同研究者同士の類似した特徴を学習するためのグラフ学習ネットワークを展開させることによって設計された。
– 回帰タスクと分類タスクの両方でテストした結果、提案された協同学習モデルが正確な共同作業関係を把握し、エージェントの学習能力を大幅に向上させることを確認した。

要約(オリジナル)

Multi-agent learning has gained increasing attention to tackle distributed machine learning scenarios under constrictions of data exchanging. However, existing multi-agent learning models usually consider data fusion under fixed and compulsory collaborative relations among agents, which is not as flexible and autonomous as human collaboration. To fill this gap, we propose a distributed multi-agent learning model inspired by human collaboration, in which the agents can autonomously detect suitable collaborators and refer to collaborators’ model for better performance. To implement such adaptive collaboration, we use a collaboration graph to indicate the pairwise collaborative relation. The collaboration graph can be obtained by graph learning techniques based on model similarity between different agents. Since model similarity can not be formulated by a fixed graphical optimization, we design a graph learning network by unrolling, which can learn underlying similar features among potential collaborators. By testing on both regression and classification tasks, we validate that our proposed collaboration model can figure out accurate collaborative relationship and greatly improve agents’ learning performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI