ترجمه فارسی مقاله ترکیب اطلاعات متنوع برای اقدام هماهنگ: الگوریتم‌های راهزن تصادفی برای عامل‌های ناهمگن

چکیده

Stochastic multi-agent multi-armed bandits typically assume that the rewards from each arm follow a fixed distribution, regardless of which agent pulls the arm. However, in many real-world settings, rewards can depend on the sensitivity of each agent to their environment. In medical screening, disease detection rates can vary by test type; in preference matching, rewards can depend on user preferences; and in environmental sensing, observation quality can vary across sensors. Since past work does not specify how to allocate agents of heterogeneous but known sensitivity of these types in a stochastic bandit setting, we introduce a UCB-style algorithm, Min-Width, which aggregates information from diverse agents. In doing so, we address the joint challenges of (i) aggregating the rewards, which follow different distributions for each agent-arm pair, and (ii) coordinating the assignments of agents to arms. Min-Width facilitates efficient collaboration among heterogeneous agents, exploiting the known structure in the agents’ reward functions to weight their rewards accordingly. We analyze the regret of Min-Width and conduct pseudo-synthetic and fully synthetic experiments to study the performance of different levels of information sharing. Our results confirm that the gains to modeling agent heterogeneity tend to be greater when the sensitivities are more varied across agents, while combining more information does not always improve performance.

چکیده به فارسی (ترجمه ماشینی)

راهزنان چند ضلعی چند جانبه تصادفی به طور معمول فرض می کنند که پاداش های هر بازو بدون در نظر گرفتن اینکه کدام عامل بازو را می کشد ، از توزیع ثابت پیروی می کنند.با این حال ، در بسیاری از تنظیمات در دنیای واقعی ، پاداش می تواند به حساسیت هر عامل به محیط آنها بستگی داشته باشد.در غربالگری پزشکی ، میزان تشخیص بیماری می تواند با توجه به نوع آزمایش متفاوت باشد.در تطبیق اولویت ، پاداش می تواند به ترجیحات کاربر بستگی داشته باشد.و در سنجش محیطی ، کیفیت مشاهده می تواند در سنسورها متفاوت باشد.از آنجا که کار گذشته چگونگی تخصیص عوامل حساسیت ناهمگن اما شناخته شده از این نوع را در یک راهزن تصادفی مشخص نمی کند ، ما یک الگوریتم به سبک UCB ، Width را معرفی می کنیم که اطلاعات را از عوامل متنوع جمع می کند.با انجام این کار ، ما به چالش های مشترک (i) جمع آوری پاداش ها ، که توزیع های مختلفی برای هر جفت عامل بازوی و (ب) هماهنگی تکالیف عوامل به اسلحه را دنبال می کنیم ، می پردازیم.Width Width همکاری کارآمد بین عوامل ناهمگن را تسهیل می کند و از ساختار شناخته شده در توابع پاداش عوامل استفاده می کند تا بر این اساس پاداش های خود را وزن کند.ما پشیمانی از عرض مین را تجزیه و تحلیل می کنیم و آزمایش های شبه سنتز و کاملاً مصنوعی را انجام می دهیم تا عملکرد سطوح مختلف به اشتراک گذاری اطلاعات را بررسی کنیم.نتایج ما تأیید می کند که دستاوردهای ناهمگونی عامل مدل سازی وقتی حساسیت در بین عوامل متفاوت باشد ، بیشتر می شود ، در حالی که ترکیب اطلاعات بیشتر همیشه عملکرد را بهبود نمی بخشد.