Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Vulnerable Agent Identification in Large-Scale Multi-Agent Reinforcement Learning

Created by
  • Haebom

저자

Simin Li, Zheng Yuwei, Zihao Mao, Linhao Wang, Ruixiao Xu, Chengdong Ma, Xin Yu, Yuqing Ma, Qi Dou, Xin Wang, Jie Luo, Bo An, Yaodong Yang, Weifeng Lv, Xianglong Liu

개요

본 논문은 대규모 다중 에이전트 강화 학습(MARL) 시스템에서 부분 에이전트 고장 문제를 해결하기 위해 취약한 에이전트 식별(VAI) 문제를 연구합니다. VAI 문제를 계층적 적대적 분산 평균장 제어(HAD-MFC)로 정의하고, 상위 레벨에서는 가장 취약한 에이전트를 선택하는 NP-hard 조합 문제를, 하위 레벨에서는 평균장 MARL을 사용하여 이러한 에이전트에 대한 최악의 경우 적대적 정책을 학습하는 문제를 다룹니다. Fenchel-Rockafellar 변환을 통해 계층적 과정을 분리하여 상위 레벨의 정규화된 평균장 Bellman 연산자를 얻고, 각 레벨에서 독립적인 학습을 가능하게 하여 계산 복잡성을 줄입니다. 그런 다음 상위 레벨의 조합 문제를 정규화된 평균장 Bellman 연산자로부터 밀집 보상을 갖는 MDP로 재구성하여 탐욕 알고리즘과 강화 학습 알고리즘을 통해 순차적으로 가장 취약한 에이전트를 식별합니다. 이 분해는 원래 HAD-MFC의 최적 솔루션을 보존합니다. 실험 결과, 본 논문의 방법이 대규모 MARL 및 규칙 기반 시스템에서 더 취약한 에이전트를 효과적으로 식별하고, 시스템을 더 심각한 고장으로 유도하며, 각 에이전트의 취약성을 보여주는 가치 함수를 학습함을 보여줍니다.

시사점, 한계점

•
시사점:
◦
대규모 MARL 시스템에서 부분 에이전트 고장 문제에 대한 새로운 접근 방식 제시
◦
계층적 문제를 효과적으로 분해하여 계산 복잡성을 줄이는 방법 제시
◦
취약한 에이전트를 효과적으로 식별하고 시스템의 취약성을 분석하는 방법 제시
◦
실험을 통해 제안된 방법의 효과성 검증
•
한계점:
◦
제안된 방법의 성능은 문제의 크기와 복잡성에 따라 달라질 수 있음
◦
실험은 특정 시스템과 환경에 국한되어 일반화 가능성에 대한 추가 연구가 필요함
◦
NP-hard 문제를 근사적으로 해결하는 방법을 사용하므로 최적 해를 보장할 수 없음
👍
Made with Slashpage