本文提出了一种基于 Transformer 机制的 TEM 框架，通过邮件机制改进了多智能体强化学习中局部通信的问题，同时保证了模型的可伸缩性和对不可见智能体的合作能力，实验证明 TEM 在多项合作场景下都比其他模型表现更优越.

Jan, 2023

本文研究了智能代理在协调、学习中的作用，提出了一种基于信息传递的优化方法，通过实验表明该方法可以增强现有的分散式训练方法，具有推广应用的潜力。

Mar, 2021

通过使用深度 Q 学习，研究了多智能体强化学习在具有连续通信通道时的应用，发现基本组合特性会在学习的语言表示中出现。噪声在传达未经历过的概念组合时很重要，引入有倾向性的护理者可以使得新的交流创造出一种更有意义的基础语言。这个研究为深度强化学习与多智能体系统的进一步相关研究提供了平台。

Nov, 2021

本研究旨在探索语言作为一种沟通媒介的效率，发现使用由离散符号组成的句子在不同数据情境下可以提供最佳的智能体间沟通效率。

Dec, 2023

多智能体系统中的信息交流在部分可观察环境中提高智能体之间的合作，本文考虑了基于有限和不可靠信道下智能体的合作通信，通过提出一种基于独立 Q 学习的新型通信方法，智能体可以动态适应信息共享的量，从而根据本地观察和信道特性发送不同大小的消息，同时智能体学习编码和解码消息以提升共同训练的策略，在合作式数字预测环境中，我们展示了相比于没有自适应能力的方法，我们的方法表现更好，并讨论了其在交通路口环境中的局限性。

Nov, 2023

本文提出了一个基于深度确定性策略梯度的多智能体训练框架，利用存储设备并发端到端学习明确的通信协议，来提高小规模系统中智能体的协作和性能，同时研究了不同通信模式对性能的影响。

Jan, 2019

本文提出了一个框架，利用神经消息编码器来学习多智能体强化学习中的通信策略，包括消息传输时机、消息内容以及如何保留消息信息。模拟实际的无线网络环境下，与现有技术相比，该框架在游戏性能、收敛速度和通信效率方面都有显著提高。

Sep, 2022

该研究提出了使用深度通信智能体在编码器 - 解码器架构中解决长文档的抽象摘要表征的挑战。通过深度通信智能体，将对长文本的编码任务分配给多个协作智能体，每个智能体负责输入文本的一部分。这些编码器连接到单个解码器，通过强化学习进行端到端训练，以生成一个聚焦和连贯的摘要。实证结果表明，相比于单个编码器或多个非通信编码器，多个通信编码器可以生成更高质量的摘要。

Mar, 2018

我们提出了一种新的多智能体强化学习算法，将大型语言模型嵌入到智能体中，使其能够生成人类可理解的口头沟通，通过在智能体之间进行信息共享来显著提高学习效率和性能，并为人类提供解释多智能体合作过程的工具。

Apr, 2024

研究了在有限带宽传输的情况下，多智能体强化学习所需的有效通信协议和分配方法，并基于信息瓶颈原则学习了一种有价值的、紧凑的通信协议及其权重调度策略。通过实验，证明了这种方法在有限的带宽条件下实现了有效通信。

Nov, 2019