.png){kind=icon}
返回
DMRL: A distributed multi-agent reinforcement learning algorithm for imbalanced classification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.114101.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
传统不平衡分类方法依赖于采样或为不同类别分配不同权重以提高少数类别的识别率。然而，这些方法忽视了适应性的重要性，特别是在不平衡程度增加时，导致在动态选择最优分类策略时存在显著局限性。为解决此问题，我们提出了一种用于不平衡分类问题的分布式多智能体强化学习（DMRL）方法，该方法将分类问题建模为分布式计算框架下的多智能体马尔可夫决策过程。随后，DMRL中实现了三种重要方案：1）基于改进双深度Q网络（MCSQ）的多智能体分类方案，通过奖励函数和重要性权重动态优化不平衡分类策略；2）基于优先经验回放的采样智能体经验方案（PERS），利用优先经验回放从重要样本中学习；3）基于多智能体集中训练和分散执行（CTDE）范式的分布式计算方案（DCSM），结合分布式计算与多智能体CTDE以提高学习效率。最后，我们在IMDB、Cifar-10、Fashion-Mnist和Mnist等公开数据集上，采用不同的不平衡比例进行了实验。实验结果表明，DMRL优于八种代表性方法，与次优方法相比，G-mean最高提升8.9%，F-measure最高提升10.7%。同时，我们研究了奖励函数的值、智能体和服务器数量以及优先经验回放对DMRL性能的影响。
Keyword:
imbalanced classification
multi-agent reinforcement learning
distributed computing
prioritized experience replay
adaptive classification strategy
