.png){kind=icon}
返回
Double distillation network for multi-agent reinforcement learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2026.133438.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多智能体强化学习（MARL）通常在集中式训练和分布式执行（CTDE）框架下进行，以缓解环境非平稳性。然而，传统方法在执行过程中常受限于部分可观测性，导致智能体间出现累积间隙误差，阻碍了有效协同策略的发展。为解决此挑战，我们提出双蒸馏网络（DDN），其整合了两种互补的蒸馏模块，以在信息受限条件下促进鲁棒协调与高效协作。具体而言，外部蒸馏模块采用全局引导网络和局部策略网络，通过多级蒸馏促进知识转移，从而弥合全局训练与局部执行之间的差距。此外，内部蒸馏模块利用基于全局状态的内禀奖励增强智能体的探索能力。在StarCraft II和Predator–Prey基准上的实验结果表明，所提方法有效降低了固有误差，提升了探索效率，并显著改善了协同策略学习的质量。
Keyword:
Multi-agent reinforcement learning
Centralized training and decentralized execution
Knowledge distillation
Cooperative policy learning
Exploration efficiency
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
引用论文
The Strategic Interplay Between the Platform's Store Brand Positioning and the Manufacturer's Core Category Innovation平台店铺品牌定位与制造商核心品类创新之间的战略互动.png)
Mathematics
MathematicsIF2.2
PREAI
分享收藏Symmetrical Learning and Transferring: Efficient Knowledge Distillation for Remote Sensing Image ClassificationSymmetry
SymmetryIF0
PREAI
分享收藏Multi-agent reinforcement learning as a rehearsal for decentralized planning多智能体强化学习作为分散计划的演练NEUROCOMPUTING
OAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏Digital Twin Enhanced Federated Reinforcement Learning With Lightweight Knowledge Distillation in Mobile Networks移动网络中具有轻量级知识提炼的数字孪生增强联邦强化学习
PREAI
分享收藏Knowledge Distillation and Student-Teacher Learning for Visual Intelligence: A Review and New Outlooks视觉智能的知识蒸馏和师生学习: 回顾和新观点OAAI
OAAI分享收藏
查看更多内容