핵심 개념
本論文では、回転や反射に対する等変性を備えたE2GN2(Exploration-enhanced Equivariant Graph Neural Networks)を用いることで、従来のGNNやMLPと比較して、マルチエージェント強化学習のサンプル効率と汎化能力を大幅に向上できることを示している。
초록
マルチエージェント強化学習におけるサンプル効率と汎化能力の向上
本論文は、マルチエージェント強化学習(MARL)におけるサンプル効率と汎化能力の向上を目的とした、E2GN2(Exploration-enhanced Equivariant Graph Neural Networks)と呼ばれる手法を提案する研究論文である。
従来のMARLでは、ニューラルネットワークとして多層パーセプトロン(MLP)が用いられてきたが、MLPは入力と出力の単純な関係を学習するだけで、学習効率が悪く、汎化能力も低いという課題があった。
そこで本論文では、幾何学的深層学習の分野で発展してきた、回転、並進、反射に対して等変性(対称性)を持つ等変グラフニューラルネットワーク(EGNN)に着目する。等変性を組み込むことで、学習効率が向上し、エラーが減少することが示されている。