KDDJul, 2021

基于 Copulas 的多智能体模仿学习

PDF
TL;DR本论文提出一种使用 copula 来明确建模多智能体系统中相关性和协调性的方法，该方法可以分别学习捕捉每个智能体局部行为模式的边缘分布以及完全捕捉智能体之间依赖结构的 copula 函数，实验结果表明，该模型在动作预测任务中表现优于现有基线，并能够生成接近于专家演示的新轨迹。
multi-agent imitation learningcopuladependence structureaction predictionexpert demonstrations
发现论文，激发创造
  • 协作多智能体模仿学习

    本文研究多个协调代理的演示的模仿学习问题，提出了一种综合了无监督结构学习和传统模仿学习的方法来同时学习潜在的协调模型和单个策略，通过在团队运动中学习多个策略的行为建模问题，表明了本文方法的强大之处。

    Mar, 2017

  • 多智能体交互建模和相关策略

    本文提出了一种基于相互关联策略的多智能体系统建模与仿真方法，并通过去近似敌方策略恢复代理策略的方法，设计了一种去中心化对抗性学习算法，实现了模型的训练和执行，实验证明了该算法的优越性，代码可在 https://github.com/apexrl/CoDAIL 中获取。

    Jan, 2020

  • 通过公共操作图整合增强多智能体协作能力

    多智能体系统中，代理人之间的通信对于加强协调至关重要。本研究提出了一种多智能体协调的方法，其中每个代理人具备将其观察、行动和接收到的信息整合到一个公共操作图中并传播的能力。实验结果表明，与最先进的多智能体强化学习方法相比，基于公共操作图的训练方法在面对分布不均的初始状态时能够产生出鲁棒的策略。

    Nov, 2023

  • 基于 Copula 的多目标回归符合预测

    本研究旨在解决多目标回归中的频率校准问题，通过对深度神经网络应用随机向量函数解决问题，结果表明该方法能有效保证各种数据集上的多目标回归问题的效率和准确性。

    Jan, 2021

  • 使用 Copulas 生成和模拟合成数据集

    本论文提出了一种基于 copula 模型生成合成数据集的新方法，以生成在边际和联合分布方面类似于真实数据的代理数据。将该方法应用于两个数据集显示出比 SMOTE 和自编码器等其他方法更好的性能。

    Mar, 2022

  • 多路注意力交互建模

    介绍了 Interaction Modeling with Multiplex Attention (IMMA) 方法，该方法能够准确地建模多智能体系统中代理之间的多种类型的相互作用，并利用渐进式层训练策略训练这种 d 听建筑，显示该方法在轨迹预测和关系推断方面胜过现有技术，并且可以改进零样本泛化，并探究不同的交互模式如何影响代理行为。

    Aug, 2022

  • 逆因子化 Q-Learning 用于合作多智能体模仿学习

    该论文提出了一种针对合作多智能体系统的新颖多智能体模仿学习算法，通过使用混合网络聚合分散的 Q 函数，实现了集中式学习，并在具有高度挑战性的竞争性和合作性多智能体游戏环境中进行了广泛实验，表明该算法相对于现有的多智能体模仿学习算法具有显著的有效性。

    Oct, 2023

  • 基于个例的特征选择和排序的共轭

    我们提出了一种基于高斯联合分布的特征选择方法，该方法可以在神经网络中进行实例级的特征选择，并捕捉变量之间的相关性。实验结果表明，我们的方法能够准确地捕捉到有意义的相关性。

    Aug, 2023

  • 用于合成数据生成的 Copula 流

    本文提出了使用基于概率模型的合成数据生成器，通过正则化流学习联合分布密度估计以及单一边际分布密度估计，取得了在密度估计以及生成高保真合成数据方面面拟真度得到了有效的提升。

    Jan, 2021

  • 多智能体生成对抗模仿学习

    本文提出了一种新的适用于多智能体环境的 Multi-Agent 模仿学习框架，它建立在广义反向强化学习的基础上，并引入了实用的多智能体演员 - 评论家算法。该方法可用于多个合作或竞争代理的高维环境中模仿复杂的行为。

    Jul, 2018