meineki.news Logo
meineki.news
KI News. Verstehen, was wichtig wird.
Anmelden
Suche

Finde Modelle, Firmen und Themen

Suche im News-Archiv nach Themen, die du dauerhaft verfolgen willst.

Ergebnisse für “MARL”
Forschung

<p>MARL-Algorithmen für städtische Energiesysteme: CityLearn Benchmark</p> <p>Die Optimierung urbaner Energiesysteme ist entscheidend für die Entwicklung nachhaltiger und widerstandsfähiger Smart Cities. Mit zunehmender Komplexität und vielen Entscheidungseinheiten wird die Skalierbarkeit und Koordination immer wichtiger. Multi‑Agent Reinforcement Learning (MARL) bietet hier eine vielversprechende Lösung.</p> <p>In der vorliegenden Studie wird ein umfassendes Benchmarking von MARL‑Algorithmen auf dem CityLe
arXiv – cs.AI
Forschung

<h1>Hypergraph-MARL verbessert Ampelsteuerung für multimodale Verkehrsszenarien</h1> <p>In einer Zeit, in der die Mobilität immer stärker multimodal wird, stellt die neue Studie von Forschern aus dem Bereich der künstlichen Intelligenz einen bedeutenden Fortschritt dar. Das vorgestellte System, STDSH‑MARL, richtet sich gezielt an die Bedürfnisse von Fahrgästen in öffentlichen Verkehrsmitteln und anderen multimodalen Reisenden, statt ausschließlich auf die Fahrzeugflut zu fokussieren.</p> <p>STDSH‑MARL ist e
arXiv – cs.LG
Forschung

<p>Mit dem rasanten Wachstum von IoT-Geräten und latenzsensiblem Computing steigt der Bedarf an Echtzeit- und energieeffizienter Verarbeitung, was herkömmliche Cloud‑Architekturen stark belastet.</p> <p>Mobile Edge Computing (MEC) entlastet die Cloud, indem Rechenaufgaben näher an den Endnutzer ausgelagert werden. Doch die begrenzten Rechenressourcen, die nicht kontinuierliche Stromversorgung (z. B. batteriebetriebene Knoten) und die stark dynamische Systemlandschaft der Edge‑Server erschweren eine effizien
arXiv – cs.LG
Forschung

HINT: Hierarchische Distillation beschleunigt Multi-Agenten-Verstärkungslernen Die Wissensdistillation (KD) gilt als vielversprechende Methode, um Multi-Agenten-Verstärkungslernen (MARL) zu beschleunigen, indem ein zentraler Lehrer dezentralen Agenten Wissen vermittelt. In der Praxis stoßen jedoch drei zentrale Hindernisse an: die Erzeugung leistungsfähiger Lehrstrategien in komplexen Umgebungen, die Notwendigkeit, in Zuständen außerhalb des Trainingsbereichs (OOD) zu agieren, und die Diskrepanz zwischen

arXiv – cs.LG
Forschung

<p>Drohnen‑Netzwerke: Auktion & Diffusions‑MARL optimieren Aufgaben & Flugbahnen</p> <p>In den letzten Jahren haben sich Low‑Altitude Intelligent Networks (LAINs) als vielversprechende Plattform für schnelle, energieeffiziente Edge‑Intelligenz in dynamischen, infrastrukturlosen Umgebungen etabliert. Durch die Kombination von unbemannten Luftfahrzeugen (UAVs), Luft‑Basisstationen und terrestrischen Basisstationen können LAINs kritische Anwendungen wie Katastrophenhilfe, Umweltüberwachung und Echtzeit‑Sensori
arXiv – cs.LG