多智能体分布式终身学习用于集体知识获取

Sep, 2017

多智能体分布式终身学习用于集体知识获取

Multi-Agent Distributed Lifelong Learning for Collective Knowledge Acquisition

Mohammad Rostami, Soheil Kolouri, Kyungnam Kim, Eric Eaton

TL;DR本文提出了一种利用多智能体网络进行分布式的集体终身学习算法（CoLLA），通过分布式地共享学习知识，在维护本地数据隐私的同时，在多个任务上表现出更好的性能，同时提供了理论保障。

Abstract

lifelong machine learning methods acquire knowledge over a series of consecutive tasks, continually building upon their experience. Current lifelong learning algorithms rely upon a single learning agent that has centralized access to all data. In this paper, we extend the idea of lifel

lifelong machine learning multiple agents distributed algorithms colla multi-task learning

发现论文，激发创造

分散和终身自适应的多智能体协作学习

提出了 DeLAMA 算法，它是一种具有动态协作图的分散式多智能体协同学习算法，能够促进自主协作关系学习和适应动态任务，实现了 MSE 减少 98.80% 和分类准确率提高 188.87%，为未来建立智能、分散式和动态多智能体系统提供了基础技术。

Mar, 2024

共享知识生命周期学习的轻量级学习器

该研究介绍了一种名为 SKILL (Shared Knowledge Lifelong Learning) 的挑战，它采用了一种去中心化的人工智能智能体种群，每个智能体都被分配了不同的任务，在学习其各自任务后，代理人使用分散的通信网络共享并巩固其知识，以便最终所有代理人都可以掌握所有任务。

May, 2023

作为终身学习现实场景的持续协调

本研究提出了一个基于 Hanabi 的多智能体生涯学习测试平台，研究了最新的多智能体强化学习算法，对限制的内存和计算权衡性能以及对超量训练预测的影响，证明了我们的代理可以在没有任何其他假设的情况下良好地与未见代理协调。

Mar, 2021

COLA：分散式線性學習

该论文介绍了分散式机器学习的新算法 COLA，该算法具有强大的理论保证和优越的实用性能，克服了现有方法的许多限制，并在数据和参与设备发生变化时实现通信效率、可扩展性、弹性和韧性。

Aug, 2018

分布式持续学习

分布式继续学习研究了多智能体在其环境中独立面对独特任务并逐步开发和分享知识的交叉点。通过引入数学框架，捕捉了分布式继续学习的关键方面，包括智能体模型和统计异质性、持续分布转移、网络拓扑和通信限制。我们提出了三种信息交换模式：数据实例，完整模型参数和模块化（部分）模型参数，并对每种共享模式开发了相应的算法，并在各种数据集、拓扑结构和通信限制下进行了广泛的实证研究。我们的研究结果揭示了三个关键见解：随着任务的复杂化，参数共享比数据共享更加高效；模块化参数共享在最小化通信成本的同时，提供了最佳性能；结合多种共享模式可以累积改善性能。

May, 2024

网络上个性化模型的分散协作学习

本论文研究了一组学习代理在协作对等网络中，每个代理根据自己的学习目标学习个性化模型。本文介绍和分析了两种异步流言算法，以完全分散的方式运行。我们的第一种方法旨在在网络上平滑预训练的本地模型，同时考虑每个代理在其初始模型中的置信度。在我们的第二种方法中，代理共同学习和传播其模型，基于其本地数据集和邻居的行为进行迭代更新，为了优化这一具有挑战性的目标，我们的分散算法是基于 ADMM。

Oct, 2016

合作多智体强化学习中的教学学习

本文提出了一种新的算法，名为 Learning to Coordinate and Teach Reinforcement（LeCTR），通过在协作多智能体强化学习中使每个代理都学习何时提供何种建议，从而改善整个团队性能和学习效果。实证比较表明，我们的教学代理不仅学习速度更快，而且在现有方法失败的任务中也学会了协作。

May, 2018

实时策略游戏综合终身强化学习智能体系统设计

本文介绍了 L2RLCF 框架以及通过 Starcraft-2 小游戏实现不同组件的整合，从而实现连续学习的能力并进行全面客观的比较。

Dec, 2022

以计算有限的强化学习为基础的持续学习

一个高效地累积知识、在长期生命周期中不断发展更复杂技能的代理机构，可以推动人工智能能力的前沿。本文概述和形式化了持续学习的概念，引入了一个框架和一套工具来激发进一步的研究。

Jul, 2023

软件开发代理的体验式合作学习

使用经验共同学习的新框架，充实以往经验，使大语言模型（LLMs）和自主代理能够更高效地处理未知任务。

Dec, 2023