[論文レビュー] Distributed Heuristic Forward Search for Multi-Agent Systems

Raz Nissim, Ronen I. Brafman|arXiv (Cornell University)|Jun 25, 2013

Logic, Reasoning, and Knowledge参考文献 34被引用数 16

ひとこと要約

本稿では、マルチエージェントシステムにおける効率的でプライバシーを守る計画を、エージェント間で計算を分散させながらも個人情報の保護を尊重するための、分散型ヒューリスティック前向き探索アルゴリズムMAD-A*を提案する。問題の構造を活用することで探索空間を削減し、情報漏洩れを回避することで、中央集権的および既存の分散型プランナーより優れた性能を達成する。

ABSTRACT

This paper describes a number of distributed forward search algorithms for solving multi-agent planning problems. We introduce a distributed formulation of non-optimal forward search, as well as an optimal version, MAD-A*. Our algorithms exploit the structure of multi-agent problems to not only distribute the work efficiently among different agents, but also to remove symmetries and reduce the overall workload. The algorithms ensure that private information is not shared among agents, yet computation is still efficient -- outperforming current state-of-the-art distributed planners, and in some cases even centralized search -- despite the fact that each agent has access only to partial information.

研究の動機と目的

• マルチエージェントシステムの固有の構造を尊重する分散型計画アルゴリズムの開発を目的とする。ここでの各エージェントは、プライベートな行動と情報を制御する。
• 計画中でさえも、エージェントがプライベートな状態や行動の詳細を共有しないようにすることで、プライバシーを確保することを目的とする。
• 限局的な局所情報の下でも、中央集権的探索と同等またはそれ以上の性能を達成することを目的とする。
• 信頼できる第三者が存在しないようなシステムにおいて、中央集権的計画のスケーラブルで頑健な代替手段を提供することを目的とする。
• 今後の研究の基盤を築くこと、特に分散探索におけるプライバシー損失の定量的評価およびプライバシー保証の強化を目的とする。

提案手法

• アルゴリズムは、各エージェントが自らのプライベートな行動と事前条件に基づいて局所的な探索空間を維持する、前向き探索の分散型定式化を用いる。
• エージェントは公開行動と中間の公開状態を通じて協調し、計画に必要な情報のみを交換する。
• 探索をガイドするためのヒューリスティック関数が用いられ、エージェントは局所的なコスト見積もりを計算し、行動コストの上界を伝搬する。
• アルゴリズムは、冗長な探索を削減し効率を向上させるために、分散探索に由来するプルーニング技術を採用する。
• プライベート行動は、公開行動の事前条件を満たすために用いられ、エージェントは、プライベートな詳細を露呈せずに公開行動の適用コストの上界を計算する。
• この手法は最適（MAD-A*）および非最適な探索バージョンをサポートし、情報漏洩れを防ぐためにg値の公開を回避する。

実験結果

リサーチクエスチョン

• RQ1 分散型前向き探索アルゴリズムは、マルチエージェント計画においてエージェントのプライバシーを守りながら、中央集権的探索と同等の性能を達成できるか？
• RQ2 エージェントが互いの行動や状態に限局的なアクセスしか持たない状況で、分散計画中にプライベート情報をどのように保護できるか？
• RQ3 プライベート行動のシーケンスや内部状態を露呈せずに、公開行動のコストバウンズをどのように計算できるか？
• RQ4 分散探索は、問題の構造をどの程度活用して全体の探索空間を削減し、効率を向上させられるか？
• RQ5 性能や解の品質を著しく低下させることなく、プライバシー保護技術を分散探索に統合するにはどのような手法が有効か？

主な発見

• MAD-A*は、各エージェントが部分的な情報しか持たない中で、現在の最先端の分散型プランナーよりも、一部のケースでは中央集権的探索アルゴリズムでさえも上回る性能を発揮する。
• アルゴリズムは、マルチエージェント問題の分散構造を活用し、協調的な行動適用によって対称性を排除することで、探索空間を効果的に削減する。
• エージェントが内部状態、行動シーケンス、事前条件を共有しないため、探索プロセス全体でプライベート情報が保護されている。
• プライベート行動が関与する場合でも、公開行動の適用コストの上界を効率的に計算できる。
• 本研究は、分散探索から生じる、中央集権的計画に新たなプルーニング技術をもたらし、分散システムにとどまらない広範な適用可能性を示している。
• 実験的結果から、プライバシー漏洩（例：プライベート状態モデルの推定）は可能ではあるが、展開されたノードが少ない速い問題では限定的であることが示唆される。