图增强强化学习在协作问题解决中的有效小组形成

Mar, 2024

图增强强化学习在协作问题解决中的有效小组形成

Graph Enhanced Reinforcement Learning for Effective Group Formation in Collaborative Problem Solving

Zheng Fang, Fucai Ke, Jae Young Han, Zhijie Feng, Toby Cai

TL;DR本研究通过图论和强化学习提出一种新方法，建立一个数据集的图结构，将参与者作为代理人，学习一个优化的图结构来反映有效的群体动态，并利用聚类技术根据学习到的图划分明确的群体结构。该研究对协作工作和教育心理学领域做出贡献，为组织团队建设、课堂环境和其他需要重视群体动态的协作场景提供实际应用指导，并突显了图论和强化学习在社会和行为科学中的潜力和未来工作的经验验证。

Abstract

This study addresses the challenge of forming effective groups in collaborative problem-solving environments. Recognizing the complexity of human interactions and the necessity for efficient collaboration, we propose a novel approach leveraging →

group formation collaborative problem-solving graph theory reinforcement learning group dynamics

发现论文，激发创造

组合优化的图强化学习：调查与统一视角

图离散结构上关于决策制定方法的综合视角，通过采用强化学习算法解决图优化问题。

Apr, 2024

图卷积强化学习

本文提出了一种使用图卷积强化学习的方法，通过使用关系内核捕获代理之间的相互作用来适应多代理环境的动态，并利用逐渐增大感受野的卷积层产生潜在特征来学习合作，此外，为了保持一致性，还使用了时间关系正则化方法。实验表明，该方法在各种合作场景中显着优于现有方法。

Oct, 2018

多智能体强化学习的群体感知协调图

我们提出了一种新的方法来推断组感知协作图（GACG），以捕捉基于当前观测到的代理之间的合作以及跨轨迹观察到的行为模式的组水平依赖关系，并在决策过程中使用该图进行信息交换。通过在 StarCraft II 微管理任务上进行评估，我们证明了 GACG 的卓越性能。进一步的消融研究为我们的方法的每个组成部分的有效性提供了实验证据。

Apr, 2024

多智能体团队中可迁移合作行为的学习

提出使用共享的代理 - 实体图来建模多智能体相互作用，并利用基于图的强化学习训练代理实现协作行为，实现了对多种任务的有效解决，并展示了其泛化能力。

Jun, 2019

通过选择性交互和长期经验增强多智能体强化学习中的合作

基于多智能体强化学习的计算框架通过模拟囚徒困境游戏中的长期经验使智能体能够选择困境策略和互动邻居，并发现长期经验使智能体能够识别非合作邻居并偏好与合作邻居互动，进而导致具有相似策略的智能体聚集，增加网络互惠性和加强群体合作。

May, 2024

多智能体强化学习中协作新兴行为的衡量

本研究介绍了一种新方法，用于定量评估多智能体强化学习算法在连续空间任务中的协作能力，提供一个有用的训练信号来增强机器间和人机间的未来协作。

Jul, 2018

用于学习机器人团队协调的图神经网络

本文展示了如何利用图神经网络来学习连接的机器人团队的分布式协调机制，并通过将机器人队伍建模为图形来捕捉机器人协调的关系。训练过程中，机器人学习如何传递信息和更新内部状态，以达到目标行为，然后通过局部估计团队网络拓扑的代理方法来考虑更复杂的问题。