MAGNet: Multi-agent Graph Network for Deep Multi-agent Reinforcement Learning

Публикации

?

MAGNet: Multi-agent Graph Network for Deep Multi-agent Reinforcement Learning

P. 1–8.

Шпильман А. А., Malysheva A., Kudenko D.

Язык: английский

Текст на другом сайте

В книге

Adaptive and Learning Agents Workshop at International Joint Conference on Autonomous Agents and Multiagent Systems

[б.и.], 2019.

RL-ABC: Reinforcement learning for accelerator beamline control

Ибрахим А., Деркач Д. А., Каледин М. Л. и др., Computer Physics Communications 2026 Vol. 329 Article 110407

Мы представляем RLABC (Reinforcement Learning for Accelerator Beamline Control) — фреймворк с открытым исходным кодом на языке Python, который автоматически преобразует стандартные конфигурации пучковых линий, используемые в Elegant, в среды для обучения с подкреплением. RLABC интегрируется с широко используемым программным комплексом моделирования динамики пучка Elegant посредством интерфейсов на основе SDDS, что позволяет исследователям применять современные алгоритмы обучения с подкреплением для оптимизации ...

Добавлено: 20 сентября 2026 г.

Разработка микросервиса ADP для идентификации источников выбросов на основе машинного обучения с подкреплением

Кычкин А. В., Черницин И. А., Прикладная информатика 2026 № 1(121) С. 40–58

Представлены результаты разработки программного микросервиса, встраиваемого в системы мониторинга качества атмосферного воздуха для поддержки процессов идентификации промышленных источников загрязнений. Выброс и последующее распространение вредных веществ в приземистых слоях атмосферы происходит в динамике и характеризуется высокой неопределенностью из‑за особенностей технологических установок, их режимов работы, влияния рельефа местности, зданий и метеофакторов. Зависимости между местоположением источника выброса и ...

Добавлено: 23 апреля 2026 г.

Artificial Neural Networks and Machine Learning. ICANN 2025 International Workshops and Special Sessions: 34th International Conference on Artificial Neural Networks, Kaunas, Lithuania, September 9–12, 2025, Proceedings, Part V

Cham: Springer, 2025.

Добавлено: 29 сентября 2025 г.

On consensus equilibria in a multilayered multiagent system

Leonidov A., Васильев С. Б., Vasilyeva E., Chaos, Solitons and Fractals 2025 Vol. 201 No. 2 Article 117242

Добавлено: 26 сентября 2025 г.

Analysis of a Company Model in Conditions of Unstable Demand Using Reinforcement Learning Methods

Delev A., Semakov S., , in: 2025 8th International Conference on Artificial Intelligence and Big Data (ICAIBD).: IEEE, 2025. P. 318–322.

Добавлено: 25 августа 2025 г.

Pseudo-collusion in a centralized algorithmic financial market

Пастушков А. В., Булатов А. Э., Finance Research Letters 2025 Vol. 83 Article 107671

Добавлено: 19 июня 2025 г.

The beer game bullwhip effect mitigation: a deep reinforcement learning approach

Рожков М. И., Алямовская Н. С., Заходякин Г. В., International Journal of Production Research 2025 Vol. 63 No. 18 P. 6630–6647

Добавлено: 24 марта 2025 г.

Deep Reinforcement Learning-Based Congestion Control for File Transfer over QUIC

Blokhin A., Kalev V., Пусев Р. С. и др., , in: 2024 IEEE International Multi-Conference on Engineering, Computer and Information Sciences (SIBIRCON).: Novosibirsk: IEEE, 2024. P. 25–30.

Добавлено: 18 декабря 2024 г.

Third International Conference, MSBC 2024, Almaty, Kazakhstan, September 18–20, 2024, Proceedings. Modeling and Simulation of Social-Behavioral Phenomena in Creative Societies. CCIS, volume 2211

Cham: Springer, 2024.

Добавлено: 21 октября 2024 г.

MineRL Diamond 2021 Competition: Overview, Results, and Lessons Learned

Никулин А. М., Белоусов Ю. С., Свидченко О. А. и др., , in: Proceedings of the NeurIPS 2021 Competitions and Demonstrations Track.: PMLR, 2022.

Добавлено: 8 октября 2024 г.

Generative Flow Networks as Entropy-Regularized RL

Тяпкин Д. Н., Морозов Н. В., Наумов А. А. и др., , in: Proceedings of The 27th International Conference on Artificial Intelligence and Statistics (AISTATS 2024), 2-4 May 2024, Palau de Congressos, Valencia, Spain. PMLR: Volume 238Vol. 238.: Valencia: PMLR, 2024. P. 4213–4221.

Добавлено: 22 июня 2024 г.

Model-free Posterior Sampling via Learning Rate Randomization

Тяпкин Д. Н., Беломестный Д. В., Calandriello D. и др., , in: Advances in Neural Information Processing Systems 36 (NeurIPS 2023).: Curran Associates, Inc., 2023. P. 73719–73774.

Добавлено: 17 февраля 2024 г.

Reinforcement Procedure for Randomized Machine Learning

Yuri S. Popkov, Дубнов Ю. А., Alexey Yu. Popkov, Mathematics 2023 Vol. 11 No. 17 Article 3651

This paper is devoted to problem-oriented reinforcement methods for the numerical implementation of Randomized Machine Learning. We have developed a scheme of the reinforcement procedure based on the agent approach and Bellman’s optimality principle. This procedure ensures strictly monotonic properties of a sequence of local records in the iterative computational procedure of the learning process. ...

Добавлено: 5 февраля 2024 г.

Fast Rates for Maximum Entropy Exploration

Тяпкин Д. Н., Беломестный Д. В., Calandriello D. и др., , in: Proceedings of the 40th International Conference on Machine Learning: Volume 202: International Conference on Machine Learning, 23-29 July 2023, Honolulu, Hawaii, USAVol. 202: International Conference on Machine Learning, 23-29 July 2023, Honolulu, Hawaii, USA.: PMLR, 2023. P. 34161–34221.

Добавлено: 1 декабря 2023 г.

Sharp Deviations Bounds for Dirichlet Weighted Sums with Application to analysis of Bayesian algorithms

Тяпкин Д. Н., Беломестный Д. В., Наумов А. А. и др., Working papers by Cornell University. Series math "arxiv.org" 2023 Article 2304.03056

In this work, we derive sharp non-asymptotic deviation bounds for weighted sums of Dirichlet random variables. These bounds are based on a novel integral representation of the density of a weighted Dirichlet sum. This representation allows us to obtain a Gaussian-like approximation for the sum distribution using geometry and complex analysis methods. Our results generalize ...

Добавлено: 28 июня 2023 г.

Variance Reduction for Policy-Gradient Methods via Empirical Variance Minimization

Беломестный Д. В., Каледин М. Л., Golubev A., /. 2022.

Добавлено: 14 апреля 2023 г.