具有定长嵌入的置换不变集自编码器用于多智能体学习
机器学习
2023-02-27 v1 多智能体系统
摘要
在集合表示上的置换不变学习问题在多智能体系统领域尤为相关——若干潜在应用包括图神经网络(GNNs)中聚合函数的无监督训练、图上的神经元胞自动机,以及多物体场景的预测。然而,现有的集合编码与解码方法存在诸多问题,包括非置换不变、定长输出、依赖迭代方法、非确定性输出、计算代价高昂的损失函数以及较差的重建精度。本文我们引入了置换不变集自编码器(PISA),它解决了这些问题,并且比现有基线产生显著更低重建误差的编码。PISA还提供了其他理想性质,包括保持相似性的潜空间,以及能够在编码中插入或移除元素的能力。在将PISA与基线方法评估对比后,我们展示了其在多智能体应用中的有用性。以PISA作为子组件,我们引入了一种新颖的GNN架构,用作通用通信方案,使智能体能够利用通信获得系统的完全可观测性。
引用
@article{arxiv.2302.12826,
title = {Permutation-Invariant Set Autoencoders with Fixed-Size Embeddings for Multi-Agent Learning},
author = {Ryan Kortvelesy and Steven Morad and Amanda Prorok},
journal= {arXiv preprint arXiv:2302.12826},
year = {2023}
}
备注
AAMAS 2023