Особенности организации игрового взаимодействия асимметричных агентов с использованием графовых нейронных сетей
https://doi.org/10.17586/2226-1494-2024-24-6-1044-1048
Аннотация
Введение. Рассмотрена структура представления графа межагентных связей для повышения эффективности взаимодействия агентов в кооперативных состязательных играх с использованием графовых нейронных сетей.
Метод. Выполнена сравнительная оценка метрик и матриц смежности для графов связей, задаваемых с применением геометрической и семантической метрик близости.
Основные результаты. Показано, что семантическая близость более эффективна при построении графа межагентных связей, а применение орграфов обеспечивает гибкое управление информационными потоками.
Обсуждение. Предложенные закономерности важно учитывать при организации многоагентного обучения с подкреплением в широком диапазоне областей применения.
Ключевые слова
теория графов,
графовые нейронные сети,
обучение с подкреплением,
многоагентные системы,
кооперативно-состязательное поведение
При поддержке: Работа выполнена при поддержке Министерства науки и высшего образования Российской Федерации, госзадание № 2019-1339.
Об авторах
А. О. Исаков
Университет ИТМО
Россия
Россия
Исаков Артём Олегович - аспирант,
Санкт-Петербург, 197101
Д. Е. Перегородиев
Университет ИТМО
Россия
Россия
Перегородиев Данил Евгеньевич - студент,
Санкт-Петербург, 197101
И. В. Томилов
Университет ИТМО
Россия
Россия
Томилов Иван Вячеславович - студент,
Санкт-Петербург, 197101
Н. Ф. Гусарова
Университет ИТМО
Россия
Россия
Гусарова Наталия Федоровна - кандидат технических наук, старший научный сотрудник, доцент,
Санкт-Петербург, 197101
А. А. Голубев
Университет ИТМО
Россия
Россия
Голубев Александр Андреевич - аспирант,
Санкт-Петербург, 197101
Список литературы
1. Yang S. Hierarchical graph multi-agent reinforcement learning for traffic signal control // Information Sciences. 2023. V. 634. P. 55–72. https://doi.org/10.1016/j.ins.2023.03.087
2. Veličković P. Everything is connected: Graph neural networks // Current Opinion in Structural Biology. 2023. V. 79. P. 102538. https://doi.org/10.1016/j.sbi.2023.102538
3. Khemani B., Patil S., Kotecha K., Tanwar S. A review of graph neural networks: concepts, architectures, techniques, challenges, datasets, applications, and future directions // Journal of Big Data. 2024. V. 11. N 1. P. 18. https://doi.org/10.1186/s40537-023-00876-4
4. Nie M., Chen D., Wang D. Reinforcement learning on graphs: A survey // IEEE Transactions on Emerging Topics in Computational Intelligence. 2023. V. 7. N 4. P. 1065–1082. https://doi.org/10.1109/tetci.2022.3222545
5. Zhou J., Cui G., Hu S., Zhang Z., Yang C., Liu Z., Wang L., Li C., Sun M. Graph neural networks: A review of methods and applications // AI Open. 2020. V. 1. P. 57–81. https://doi.org/10.1016/j.aiopen.2021.01.001
6. Wu Z., Pan S., Chen F., Long G., Zhang C., Yu P.S. A comprehensive survey on graph neural networks // IEEE Transactions on Neural Networks and Learning Systems. 2020. V. 32. N 1. P. 4–24. https://doi.org/10.1109/tnnls.2020.2978386
7. Bhatti U.A., Tang H., Wu G., Marjan S., Hussain A. Deep learning with graph convolutional networks: An overview and latest applications in computational intelligence // International Journal of Intelligent Systems. 2023. V. 2023. P. 8342104. https://doi.org/10.1155/2023/8342104
8. Wu L., Cui P., Pei J., Zhao L., Guo X. Graph neural networks: foundation, frontiers and applications // Proc. of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. 2022. P. 4840–4841. https://doi.org/10.1145/3534678.3542609
9. Meng L., Shao Y., Yuan L., Lai L., Cheng P., Li X., Yu W., Zhang W., Lin X., Zhou J. A survey of distributed graph algorithms on massive graphs // ACM Computing Surveys. 2024. V. 57. N 2. P. 1–39. https://doi.org/10.1145/3694966
10. Vrahatis A.G., Lazaros K., Kotsiantis S. Graph Attention Networks: A Comprehensive Review of Methods and Applications // Future Internet. 2024. V. 16. N 9. P. 318. https://doi.org/10.3390/fi16090318
11. Munikoti S., Agarwal D., Das L., Halappanavar M., Natarajan B. Challenges and opportunities in deep reinforcement learning with graph neural networks: A comprehensive review of algorithms and applications // IEEE Transactions on Neural Networks and Learning Systems. 2023. V. 35. N 11. P. 15051–15071. https://doi.org/10.1109/tnnls.2023.3283523
12. Verbavatz V., Barthelemy M. Betweenness centrality in dense spatial networks // Physical Review E. 2022. V. 105. N 5. P. 054303. https://doi.org/10.1103/physreve.105.054303
13. Tsalouchidou I., Baeza-Yates R., Bonchi F., Liao K., Sellis T. Temporal betweenness centrality in dynamic graphs // International Journal of Data Science and Analytics. 2020. V. 9. N 3. P. 257–272. https://doi.org/10.1007/s41060-019-00189-x
14. Wills P., Meyer F.G. Metrics for graph comparison: a practitionerʼs guide // PLoS ONE. 2020. V. 15. N 2. P. e0228728. https://doi.org/10.1371/journal.pone.0228728
15. O’Bray L., Horn M., Rieck B., Borgwardt K. Evaluation metrics for graph generative models: Problems, pitfalls, and practical solutions // Proc. of the ICLR 2022 — 10th International Conference on Learning Representations. 2022.
Рецензия
Для цитирования:
Исаков А.О., Перегородиев Д.Е., Томилов И.В., Гусарова Н.Ф., Голубев А.А. Особенности организации игрового взаимодействия асимметричных агентов с использованием графовых нейронных сетей. Научно-технический вестник информационных технологий, механики и оптики. 2024;24(6):1044-1048. https://doi.org/10.17586/2226-1494-2024-24-6-1044-1048
For citation:
Isakov A.O., Peregorodiev D.E., Tomilov I.V., Gusarova N.F., Golubev A.A. Aspects of organizing game interactions among asymmetric agents using graph neural networks. Scientific and Technical Journal of Information Technologies, Mechanics and Optics. 2024;24(6):1044-1048. (In Russ.) https://doi.org/10.17586/2226-1494-2024-24-6-1044-1048
Просмотров:
24
Послать статью по эл. почте 