.png){kind=icon}
返回
Efficient Multi-Agent Communication via Entity-Aware Causal Network
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2026.108538.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
通信被认为是解决复杂的多智能体强化学习（MARL）合作任务的关键方法。然而，现有方法依赖于预定义的智能体顺序和标识符来学习目标通信。预定义方法忽略了通信目标的选择仅与智能体的状态相关而非其顺序或标识符的先验知识，这导致可扩展性差和采样效率低下。为解决这些局限性，我们引入了实体感知因果（EAC）框架，该框架从实体中心视角解决MARL通信问题。其核心思想是通过实体感知的通信目标选择和因果推理信念机制来增强通信效率，我们做出了三方面的主要贡献。首先，我们设计了一个实体感知超网络，基于个体状态信息识别通信目标，并采用掩码注意力机制实现可扩展且稀疏的通信拓扑结构。其次，我们提出了一种因果推理信念机制，以强化实体间通信的信念并减少冗余消息交换。最后，我们的算法在SMAC、SMAC_v2、GRF和MPE基准测试中均优于基线多智能体合作强化学习算法。我们进一步展示了该算法在不同网络拓扑结构和稀疏性水平下的鲁棒性。
期刊
IF:
6.3
论文数:
8.3K
被引数:
3.0W
机构
引用论文
Grandmaster level in StarCraft II using multi-agent reinforcement learning使用多智能体强化学习在星际争霸II中的大师水平.png)
Nature
NatureIF0
PREAI
分享收藏Scalable Communication for Multi-Agent Reinforcement Learning via Transformer-Based Email Mechanism基于Transformer邮件机制的Multi-Agent Reinforcement Learning可扩展通信
OAAI
OAAI分享收藏Hua, M.; Qi, X.; Chen, D.; Jiang, K.; Liu, Z.E.; Sun, H.; Zhou, Q.; Xu, H. Multi-Agent Reinforcement Learning for Connected and Automated Vehicles Control: Recent Advancements and Future Prospects. IEEE Trans. Autom. Sci. Eng. 2025, 22, 16266–16286. [Google Scholar] [CrossRef]Hua, M.; Qi, X.; Chen, D.; Jiang, K.; Liu, Z.E.; Sun, H.; Zhou, Q.; Xu, H. 多智能体强化学习在互联与自动化车辆控制中的应用：最新进展与未来展望. IEEE Trans. Autom. Sci. Eng. 2025, 22, 16266–16286. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏Optimistic sequential multi-agent reinforcement learning with motivational communication基于激励沟通的乐观序贯多智能体强化学习NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏Hierarchical relationship modeling in multi-agent reinforcement learning for mixed cooperative-competitive environmentsINFORMATION FUSION
INFORMATION FUSIONIF15.5
PREAI
分享收藏
查看更多内容