Inferring Implicit Trait Preferences for Task Allocation in Heterogeneous Teams

要約

異種のマルチエージェント チームでのタスクの割り当てでは、多次元エージェントの特性 (つまり、能力) と、タスクによってそれらに課される要求についての推論が必要になることがよくあります。
ただし、既存の方法は、すべての特性が特定のタスクに等しく貢献しているわけではないという事実を無視する傾向があります。
このような固有の好みや相対的な重要性を無視すると、タスクの成功に必ずしも貢献しない、限られたエージェント リソースの意図しない準最適な割り当てにつながる可能性があります。
さらに、多数の特性を推論することは、多大な計算負荷を招く可能性があります。
これらの懸念を軽減するために、エキスパートのデモンストレーションで暗黙的にタスク固有の特性の好みを推測するアルゴリズムを提案します。
専門家がデモンストレーション全体で特性をタスクに割り当てる一貫性は、そのタスクに対する特性の重要性を反映しているという洞察を活用します。
心理学の発見に触発されて、データセット内の特性の固有の多様性がデータセットの有益性に影響を与え、それによって、推測される好みの程度またはその欠如に影響を与えるという事実を説明します。
公開されているサッカー データセット (FIFA 20) の詳細な数値シミュレーションと評価を通じて、暗黙的な特性の好みをうまく推測できること、および推測された好みを説明することで、ベースライン アプローチと比較して、より計算効率が高く効果的なタスク割り当てにつながることを実証します。
すべての特性を平等に扱います。

要約(オリジナル)

Task allocation in heterogeneous multi-agent teams often requires reasoning about multi-dimensional agent traits (i.e., capabilities) and the demands placed on them by tasks. However, existing methods tend to ignore the fact that not all traits equally contribute to a given task. Ignoring such inherent preferences or relative importance can lead to unintended sub-optimal allocations of limited agent resources that do not necessarily contribute to task success. Further, reasoning over a large number of traits can incur a hefty computational burden. To alleviate these concerns, we propose an algorithm to infer task-specific trait preferences implicit in expert demonstrations. We leverage the insight that the consistency with which an expert allocates a trait to a task across demonstrations reflects the trait’s importance to that task. Inspired by findings in psychology, we account for the fact that the inherent diversity of a trait in the dataset influences the dataset’s informativeness and, thereby, the extent of the inferred preference or the lack thereof. Through detailed numerical simulations and evaluations of a publicly-available soccer dataset (FIFA 20), we demonstrate that we can successfully infer implicit trait preferences and that accounting for the inferred preferences leads to more computationally efficient and effective task allocation, compared to a baseline approach that treats all traits equally.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google