MARC

 008250123s2024        us                              c    eng  d
■001000017165122
■00520250211153126
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346852117
■035    ▼a(MiAaPQ)AAI31765287
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aLong,  Qian.
■24510▼aMulti-Agent  Systems:  Enhancing  Scalability,  Task-Agent  Adaptiveness  and  Benchmarking
■260    ▼a[Sl]▼bUniversity  of  California,  Los  Angeles▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a154  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-06,  Section:  B.
■500    ▼aAdvisor:  Terzopoulos,  Demetri;Zhu,  Song-Chun.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2024.
■520    ▼aApplying  deep  reinforcement  learning  to  multi-agent  environments  has  become  a  popular  trend.  However,  creating  adaptive  agents  that  perform  well  in  dynamic,  complex  settings  remains  challenging.  Key  difficulties  include  (1)  scaling  with  the  number  of  agents,  as  complexity  grows  exponentially  with  each  additional  agent,  (2)  adapting  to  new  environments,  where  agents  need  to  leverage  past  experiences,  (3)  cooperating  with  unfamiliar  agents,  since  agents  trained  in  fixed  groups  must  interact  effectively  with  unseen  peers,  and  (4)  operating  within  multi-modal  input  scenarios,  beyond  simple  vector  inputs.  We  identify  the  limitations  of  current  approaches  in  addressing  these  challenges  and  propose  novel  methods  to  overcome  them.  The  contributions  of  this  thesis  include  the  following:1.  Evolutionary  Population  Curriculum  (EPC):  A  training  approach  that  enables  agents  to  gradually  adapt  from  small  to  large  groups  through  a  mix-and-match  strategy,  enhancing  scalability.2.  Social  Gradient  Fields  (SocialGFs):  A  novel  gradient-based  state  representation  for  multi-agent  reinforcement  learning,  leveraging  denoising  score  matching  to  learn  social  dynamics  from  offline  samples.  This  adaptive  representation  allows  agents  to  exhibit  diverse  behaviors.3.  Inverse  Attention  Network:  A  mechanism  that  models  agents'  Theory  of  Mind  (ToM)  by  inferring  attentional  states  based  on  observations  and  prior  actions,  refining  attention  weights  to  improve  decision-making.4.  Multi-Modal  Multi-Agent  Benchmark  in  Minecraft  (TeamCraft):  A  comprehensive  benchmark  designed  to  highlight  the  limitations  of  current  Vision-Language  Models  (VLMs)  in  handling  complex,  dynamic  multi-agent  environments,  setting  a  new  standard  for  future  research  in  multi-agent  systems.These  contributions  advance  the  field  by  providing  scalable  and  adaptive  solutions  to  fundamental  challenges  in  multi-agent  systems.
■590    ▼aSchool  code:  0031.
■650  4▼aComputer  science
■650  4▼aComputer  engineering
■653    ▼aDecision-making
■653    ▼aTheory  of  Mind
■653    ▼aDeep  reinforcement  learning
■653    ▼aMulti-agent  environments
■690    ▼a0984
■690    ▼a0464
■71020▼aUniversity  of  California,  Los  Angeles▼bComputer  Science  0201.
■7730  ▼tDissertations  Abstracts  International▼g86-06B.
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17165122▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서