Collaborative Learning with Logic-Based Models
The result's identifiers
Result code in IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F08%3A03142518" target="_blank" >RIV/68407700:21230/08:03142518 - isvavai.cz</a>
Result on the web
—
DOI - Digital Object Identifier
—
Alternative languages
Result language
angličtina
Original language name
Collaborative Learning with Logic-Based Models
Original language description
Adaptability is a fundamental property of any intelligent system. In this paper, we present how adaptability in multi-agent systems can be implemented by means of collaborative logic-based learning. The proposed method is based on two building blocks: (1) a set of operations centred around inductive logic programming for generalizing agents' observations into sets of rules, and (2) a set of communication strategies for sharing acquired knowledge among agents in order to improve the collaborative learning process. Using these modular building blocks, several learning algorithms can be constructed with different trade-offs between the quality of learning, computation and communication requirements, and the disclosure of the agent's private information. The method has been implemented as a modular software component that can be integrated into the control loop of an intelligent agent.
Czech name
Skupinové učení s logickými reprezentacemi
Czech description
Článek navrhuje a popisuje metodu pro skupinové učení v multi-agentních systémech. Metoda je založena na logických reprezentacích a staví na dvou hlavních komponentách: (1) skupině učebních operací vycházejících z induktivního logického programování (ILP) a (2) souboru komunikačních strategií pro sdílení získané znalosti. Na základě těchto dvou komponent je navrženo několik skupinových učících algoritmů lišících se kvalitou učení, výpočetními a komunikačními nároky a práci s privátní znalostí jednotlivých agentů. Navržená metoda byla implementována jako softwarový modul, jenž může být integrován do řídící smyčky agenta. Metoda byla experimentálně ověřena a vyhodnocena na simulovaném logistickém scénaři, ve kterém se týmy obchodujících agentů učí vlastností prostředí a tím optimalizují svou činnost.
Classification
Type
C - Chapter in a specialist book
CEP classification
JC - Computer hardware and software
OECD FORD branch
—
Result continuities
Project
—
Continuities
Z - Vyzkumny zamer (s odkazem do CEZ)
Others
Publication year
2008
Confidentiality
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Data specific for result type
Book/collection name
Adaptive Agents and Multi-Agent Systems III. Adaptation and Multi-Agent Learning
ISBN
978-3-540-77947-6
Number of pages of the result
15
Pages from-to
—
Number of pages of the book
255
Publisher name
Springer
Place of publication
Heidelberg
UT code for WoS chapter
—