Nov, 2020

面向大规模多机器人路径规划的消息感知图注意力网络

PDF
TL;DR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。
autonomous robotsgraph neural networkspath planningdecentralized coordinationattention mechanism
发现论文，激发创造
  • 图形遮罩注意力即可

    提出了一种基于注意力机制的学习图表的简单替代方法，被称为图形掩码注意力（MAG），在长距离任务上具有最先进的性能，并在超过 55 个节点和图级任务中优于强大的信息传递基线和复杂的注意力方法。与图神经网络相比，显示了显着更好的迁移学习能力，并具有与节点或边数目的次线性内存缩放相比较的相当或更好的时间和内存缩放性能。

    Feb, 2024

  • 多跳注意力图神经网络

    提出了一种名为 MAGNA 的多跳图神经网络，该网络通过扩散先前层中的注意力分数以增加每一层的感受野，并在节点未直接相连时利用扩散先验的注意值捕获网络上下文信息，实验结果证明该网络在节点分类以及知识图谱完成基准测试上均达到了表现最佳。

    Sep, 2020

  • MAGNet：深度多智能体强化学习的多智能体图网络

    本文介绍了一种新的多智能体强化学习方法，称为 MAGNet，利用自我关注机制和消息生成技术对环境进行了相关图表示，应用于合成捕食者 - 猎物多智能体环境和 Pommerman 游戏，结果表明它在性能上显著优于其他最先进的多智能体强化学习解决方案。

    Dec, 2020

  • 异质图中的方向性邻居注意力表示学习

    提出了一种名为 Directional Graph Attention Network (DGAT) 的新型图神经网络结构，利用特征注意力和全局方向信息提高图信息的传播能力，并通过拓扑信息引导的节点剪枝和边添加机制以及新的拉普拉斯矩阵来改善 GAT 存在的局限性，实验证明在真实数据集和合成数据集上，DGAT 在性能上优于传统的 GAT 模型，并在 7 个真实数据集中的 6 个数据集上超越了现有的最先进模型。

    Mar, 2024

  • 基于图注意力神经网络的多智能体博弈抽象

    该研究针对大规模多智能体系统，建立一种基于完全图的游戏抽象机制，以简化学习过程，并通过交通路口和猎物 - 捕食者两种实验验证其在状态空间和收敛性能上的优势。

    Nov, 2019

  • 鲁棒大规模网络定位的注意力图神经网络

    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

  • 图注意力网络

    本文提出新颖的神经网络结构图注意力网络（GATs），利用掩码的自我关注层处理图结构化数据的缺点，有效提出解决谱学派图神经网络中的几个关键挑战的方法，并在四个数据集上取得了最先进的结果。

    Oct, 2017

  • 基于图注意力的个性化网络分布式学习

    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

  • 高级空中机动的图形关注多智能体车队自治

    介绍了部分可观察的先进空中移动游戏的概念，提出了一种新的异构图注意力编码器 - 解码器 (HetGAT Enc-Dec) 神经网络，以构建可推广的随机策略来协调机动车辆代理，此政策通过深度一致性学习进行训练，使代理人能够使用其本地观察进行分散的决策制定。通过大量实验表明，采用 HetGAT Enc-Dec 政策的车队在按需移动网络中表现最佳。

    Feb, 2023

  • 多尺度带符号注意力图神经网络在社交机器人检测中的应用：一个频率视角

    本研究使用多尺度有符号注意力图过滤器进行社交机器人检测，结果表明该方法相对于现有的多种社交机器人检测方法具有更好的性能。

    Jul, 2023