Neural Amortized Inference for Nested Multi-agent Reasoning

要約

コミュニケーション、教育、ハッタリなどのマルチエージェントの相互作用は、多くの場合、高次の社会的推論、つまり、他人が自分自身をどのように推論するかを理解することに依存します。
このような複雑な推論は、入れ子になったマルチエージェント推論を通じて効果的にモデル化できます。
それにもかかわらず、計算の複雑さは推論のレベルが上がるごとに指数関数的に増大し、大きな課題となっています。
しかし、人間は日常生活の一部として複雑な社会的推論を難なく実行します。
人間のような推論能力と計算の限界との間のギャップを埋めるために、私たちは新しいアプローチを提案します。それは、ニューラルネットワークを活用して高次の社会的推論を償却し、それによって入れ子になったマルチエージェント推論を促進するというものです。
私たちは、2 つの困難なマルチエージェント インタラクション ドメインでメソッドを評価します。
実験結果は、私たちの方法が精度の低下を最小限に抑えながら計算効率が高いことを示しています。

要約(オリジナル)

Multi-agent interactions, such as communication, teaching, and bluffing, often rely on higher-order social inference, i.e., understanding how others infer oneself. Such intricate reasoning can be effectively modeled through nested multi-agent reasoning. Nonetheless, the computational complexity escalates exponentially with each level of reasoning, posing a significant challenge. However, humans effortlessly perform complex social inferences as part of their daily lives. To bridge the gap between human-like inference capabilities and computational limitations, we propose a novel approach: leveraging neural networks to amortize high-order social inference, thereby expediting nested multi-agent reasoning. We evaluate our method in two challenging multi-agent interaction domains. The experimental results demonstrate that our method is computationally efficient while exhibiting minimal degradation in accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google