Особенности организации игрового взаимодействия асимметричных агентов с использованием графовых нейронных сетей

Исаков Артём Олегович , Перегородиев Данил Евгеньевич , Томилов Иван Вячеславович , Гусарова Наталия Федоровна, Голубев Александр Андреевич

doi:10.17586/2226-1494-2024-24-6-1044-1048

2024 , ТОМ 24, НОМЕР 6 ( ноябрь-декабрь )

ISSN 2226-1494 (print), ISSN 2500-0373 (online)

Меню

Публикации

Главный редактор

НИКИФОРОВ
Владимир Олегович
д.т.н., профессор

Партнеры

doi: 10.17586/2226-1494-2024-24-6-1044-1048

УДК 004.8

Особенности организации игрового взаимодействия асимметричных агентов с использованием графовых нейронных сетей

Исаков А.О., Перегородиев Д.Е., Томилов И.В., Гусарова Н.Ф., Голубев А.А.

Читать статью полностью

Язык статьи - русский

Ссылка 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. Т. 24, № 6. С. 1044–1048. doi: 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

Благодарности. Работа выполнена при поддержке Министерства науки и высшего образования Российской Федерации, госзадание № 2019-1339.

Список литературы

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
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
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
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
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
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
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
Wu L., Cui P., Pei J., Zhao L., Guo X. Graph neural networks: foundation, frontiers and applications // Proc. of the 28^th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. 2022. P. 4840–4841. https://doi.org/10.1145/3534678.3542609
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
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
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
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
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
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
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 - 10^th International Conference on Learning Representations. 2022.

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License