本文提出了一种基于分层图注意力网络和多智能体 actor-critic 的模型,可以进行多智能体表示学习和多智能体策略学习,通过两种特殊设计的图注意力网络促进多智能体之间的协作和竞争,实现在新任务中的策略迁移并优于其他现有方法。
Sep, 2019
该文提出了一种新的网络架构 —— 门控注意力网络(GaAN),用于学习图形。该架构使用卷积子网络来控制每个注意力头的重要性,证明了其在归纳节点分类问题和交通速度预测问题上的有效性,并在三个真实世界数据集上取得了最先进的结果。
Mar, 2018
介绍了一种新的图神经网络 - AgentNet,它采用了次线性算法,并使用智能的神经代理遍历图,能够识别 2-WL 无法区分的结构并在图分类任务中表现良好。
Jun, 2022
提出了一种基于图神经网络的网络定位方法,通过结合关注机制,在严重的非直线视线传播情况下实现了卓越的稳定性和准确性,消除了离线校准或非直线视线识别的需求。
Nov, 2023
本文提出了一种基于图注意力机制的分布式深度学习个性化训练算法(GATTA),通过将每个代理视为图中的一个节点并利用其与邻居节点的相关性,学习它们的有用信息以汇聚成本地个性化模型,从而提高分布式学习的效率、收敛速度并降低通信成本。
May, 2023
本文介绍了一种基于 Graph Neural Networks 和注意力机制的多代理路径规划算法,在实验中表现良好,即使在非常大规模的情况下也能取得比基准模型高 47%的成功率。
Nov, 2020
本文介绍了一种基于邻域的多智能体强化学习算法,并提出了两种基于超图结构的变体方法,其中利用超图卷积网络实现了信息提取和表示学习,具有实现有效合作的显著优势。
Mar, 2022
该论文提出了一种新的图注意多智能体信任域(GA-MATR)强化学习框架,用于解决多无人机辅助通信问题,通过引入图递归网络处理和分析通信网络的复杂拓扑结构,从观测信息中提取有用的信息和模式,提供额外的权重,并利用批评网络准确评估无人机基站行为的价值,以实现更可靠的反馈信号,并帮助演员网络更有效地更新策略。模拟实验表明,该方法具有优于基准线的收敛性能,无人机基站学习到了达到最大累积奖励的最佳通信策略,同时,多智能体信任域方法具有单调收敛性,为多无人机辅助通信马尔可夫博弈提供了估计的纳什均衡点。
Jan, 2024
本文提出了一种新的图神经网络架构 - 图注意力多层感知器(GAMLP),并在多个真实世界数据集和大规模工业数据集上进行了评估,证明了 GAMLP 在扩展性和效率方面具有最先进的性能。
该研究提出了一种名为 HetNet 的异构网络注意力思想,用于协调不同类型的机器人团队完成合作任务,并评估 HetNet 在解决信息交互问题中的性能提升,实验结果表明其相比基准方法,在学习复杂多智能体协作的通信协议方面,表现更好。
Aug, 2021