Engineering Social Learning Mechanisms for Minimalistic Multi-agent Robots
Notice bibliographique
Résumé
Social learning, which can include complex or simple social mechanisms, allow us to understand cooperation and communication in animals, giving them better chances to survive for longer and thrive as a society. In order to translate this understanding into socially rich behavior among multi-agent robots, this study utilizes social learning mechanisms that are simple yet quite effective. Small and simple swarm robots are utilized to understand how such social mechanisms might play a role in establishing rules for emergent group behavior and how social rules might be engineered to gain useful effects in a group of robots. The study investigates exploratory behavior without interaction (asocial) and with interaction (social) among a group of robots. The results from this exploratory study suggest that deterministic asocial exploration is best performed by Spiral exploration mechanisms. However, these asocial exploration strategies are eclipsed by certain types of social reward sharing strategies as long as sharing occurs for at least half the lifetime of the robots. Sharing locations of reward caches for all time is of course the most optimal, but comes at the cost of communicating longer and hence using more energy both on the sender and receiver's end. An analysis of a compromise strategy between completely asocial exploration and social reward location sharing is performed using strategies termed critical and conditional learning. It is found that the number of reward caches located through critical and conditional learning are intermediary to the two extremes, namely completely asocial and completely social foraging.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».