本文介绍一种结合多智能体通信和传统数据驱动方法的自然语言学习方法，通过在自身玩耍的环境中生成任务特定的奖励来适应或调节模型，形成任务条件化语言模型，并引入了一种基于语言模型样本重新排序的新方法，以优于其他方法地与人类进行视觉指称交流任务的通信。最后，我们提出了一种不同类型的语言漂移分类以及检测它们的措施。

May, 2020

本文提出了一种基于多智能体交互通信的语言学习框架，在指代游戏的上下文中研究了这种学习方法，通过联系人工智能代理人彼此通信以识别随机图像，在通过调整游戏环境来提高代理人交流的自适应语言结构，并为代理人的代码提出简单的系统，从而使其更好地恰当地通信，并能更有效地与人类沟通。

Dec, 2016

提出了一种交互式多模态框架，通过协作推理游戏，实现神经网络学习语言，初步实验结果可喜，但需注意避免智能体发展出仅针对游戏有效的特定通信编码。

May, 2016

本文提出了一种基于多模态视觉的交互式语言学习模型，无需平行语料库即可实现语言的相互理解和翻译，并表明使用该模型的多语言社区实现了更好和更快的翻译结果。

Oct, 2017

本文研究了如何在多智能体种群中产生基础的组合语言，并观察到当语言交流不可用时，指向和引导等非语言交流方式的出现。

Mar, 2017

研究人员提出了一种新型的对话系统，利用动态知识图谱嵌入技术，让两个带有私有知识的代理人进行协作对话，旨在达到某个共同目标，并经过了自动化和人工实验的验证，结果表明该模型与基线模型相比，不仅更有效地实现了目标，而且更加人性化。

Apr, 2017

研究使用自我监督学习的方法，通过最大化给定轨迹信息的消息之间的互信息，使用一种新的视角诱导出一个共同语言，在通信关键的环境中取得了更好的学习表现和速度，以及学习出比现有方法更一致的共同语言，而且不需要引入额外的学习参数。

Mar, 2022

本文利用 DSTC2 数据为种子数据，建立了功能包括：natural language understanding 和 natural language generation 的 conversational agent，并让它们通过生成自然语言进行在线交互，进而将这个交互行为建模成一个随机协作游戏，并在实验中表现出优于 deep learning 的结果。

Jul, 2019

本研究提出了一个基于交互式重复参考任务的连续学习框架，以更准确和高效地与伙伴通信，并通过 COCO 的模拟和与人类伙伴的实时参考游戏实验进行了评估。

Nov, 2019

通过 “任务 & 告诉” 游戏，本文证明了虽然大多数机器发明的语言是有效的，但它们并不可解释或复合。由此发现自然语言并不会自然产生，为了达到人类一样的语言理解，需要增加通信的限制。

Jun, 2017