Comunicazione Multi-Agente Ottimizzata tramite Information Bottleneck e Vector Quantization
Un nuovo framework progettato per sistemi di apprendimento per rinforzo multi-agente (MARL) affronta significative limitazioni comunicative riscontrate nella robotica pratica. Combinando la vector quantization con la teoria dell'information bottleneck, questo metodo facilita una comunicazione selettiva ed efficiente che conserva la larghezza di banda. Impiega l'ottimizzazione informativo-teorica per comprimere e discretizzare i messaggi mantenendo informazioni essenziali legate al compito. Un sistema di comunicazione gated determina la necessità di comunicazione in base al contesto dell'ambiente e agli stati degli agenti. Gli esperimenti sui compiti di coordinamento rivelano un miglioramento delle prestazioni del 181,8% rispetto a scenari senza comunicazione e una diminuzione del consumo di larghezza di banda del 71,4%. L'analisi della frontiera di Pareto dimostra la superiorità in tutto il trade-off successo-larghezza di banda. L'articolo è accessibile su arXiv (arXiv:2602.02035) ed è stato introdotto come aggiornamento replace-cross.
Fatti principali
- Il framework combina la teoria dell'information bottleneck con la vector quantization.
- Raggiunge un miglioramento delle prestazioni del 181,8% rispetto alle baseline senza comunicazione.
- Riduce l'uso della larghezza di banda del 71,4%.
- Introduce un meccanismo di comunicazione gated.
- L'analisi della frontiera di Pareto mostra la dominanza nei trade-off successo-larghezza di banda.
- Si rivolge a sistemi di apprendimento per rinforzo multi-agente nella robotica del mondo reale.
- L'articolo è disponibile su arXiv con ID 2602.02035.
- Tipo di annuncio: replace-cross.
Entità
Istituzioni
- arXiv