Feb, 2024

关于图中递归消息传递的多智能体强化学习的通用性

PDF
TL;DR该研究论文探讨了在图形环境中基于图的多智能体强化学习所面临的挑战，并提出了一种通过与周围节点交换信息来创建全局图表示的循环传递信息模型，并在通信网络中的路由上验证了该方法，发现它使智能体能够泛化和适应图中的变化。
multi-agent reinforcement learninggraph-based environmentsdecentralized approachesneighborhood sizecommunication networks
发现论文，激发创造
  • 通过自适应图形的无线网络中的多智能体强化学习功率控制

    无线网络中的动态优化策略是一个重要的研究领域，本文提出了一种使用图神经网络的方法，将分布式代理之间的动态相互作用建模，并在网络优化问题中实现了较好的泛化能力验证

    Nov, 2023

  • 基于图神经网络的估计误差最小化的分散学习策略

    在多跳无线网络中，通过分布式可扩展的采样和传输策略以及图神经网络结构，优化采样和远程估计研究的主要问题包括缓存并从其他代理处获得最新样本、无线冲突通道和各个网络节点之间的决策制定。

    Apr, 2024

  • 基于图形的多智能体强化学习的协同信息传播学习

    利用多智能体强化学习的分散式 POMDP 方法，通过图卷积强化学习和动态注意力技术实现信息传播，提供了可靠的协作信息传播解决方案。

    Aug, 2023

  • 大规模随机图上消息传递神经网络的泛化分析

    研究了 MPNN 在图分类和回归中的泛化误差，表明 MPNN 的复杂度越高，泛化差距越大；同时，不仅训练样本数，而且图中平均节点数对泛化差距也有影响。从统一收敛结果导出泛化界限，表明在图上应用 MPNN 可以逼近离散化的几何模型上的 MPNN。

    Feb, 2022

  • 封建图强化学习

    使用封建式的强化学习方法，通过分层的图表示来控制具有不同结构的物理代理，并在基准环境中证明框架的概念及其在标准基准和零点转移学习设置方面的良好结果。

    Apr, 2023

  • 一种基于双层循环的去中心化通信框架，用于多智能体强化学习

    该研究提出了一种模型，可以实现分散的多个代理程序以公平适应的方式共享其对环境的感知。我们提出了一个双层递归通信框架，用于多代理系统，其中第一次循环出现在通信序列中并用于在代理之间传输通信数据，而第二次循环基于时间序列并结合每个代理的历史观察结果。该方法在部分可观测环境和完全可观测环境中提供了充分的讨论，多次实验结果表明该方法优于现有的分散通信框架和相应的集中训练方法。

    Feb, 2022

  • 基于图诱导的局部价值函数的分布式多智能体强化学习

    本文提出了一种可行的分布式学习框架来处理多智能体协作强化学习中的信任问题，这种方法使用图的结构描述不同类型的多智能体之间的关系，并提出了两种基于本地价值函数的分布式 Reinforcement Learning (RL) 方法，能够在保证有效性的前提下，大幅减少采样复杂性。

    Feb, 2022

  • 具有图卷积通信的反事实多智体强化学习

    该研究提出了一种基于图卷积和多因素策略梯度的架构，用于解决在多观察环境下多智能体之间合作最大化系统功用时的通信和奖励分配问题，并在一系列任务中取得了优异表现。

    Apr, 2020

  • 用于部分可观察环境和有限通信的 R-MADDPG

    本文介绍了一种使用深度循环多智能体演员 - 评论家框架（R-MADDPG）处理部分可观测设置和有限通信下多智能体协调的方法，并探究了循环效应对团队智能体表现和通信使用的影响。研究结果表明，该框架可以学习随时间变化的依赖关系，处理资源限制，并在智能体之间开发不同的通信模式。

    Feb, 2020

  • 自适应信息传递：缓解过度平滑、过度压缩和未能到达的通用框架

    通过在变分推断框架中赋予消息传递架构自由适应其深度和筛选消息的能力，本研究提出了一种能够更好捕捉长程相互作用的简单策略，并在与该问题相关的五个节点和图预测数据集上超越了现有技术水平，稳定提高了基线方法在这些任务上的性能。

    Dec, 2023