.png){kind=icon}
返回
Efficient multi-agent policy learning using knowledge distillation of large language models
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2026.133642.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 提出了一种强化知识蒸馏（RKD）模块，用于转移大型语言模型（LLM）的专业知识和加速策略学习。
• 提出了一种价值修正（VM）模块，用于减少价值高估对智能体策略学习的影响。
• 我们将RKD和VM结合到一个通用的多智能体强化学习（MARL）框架中，该框架提高了现有算法的策略学习速度。
• EMAP-LLM在多种任务难度和环境条件下，在学习速度和鲁棒性方面显著优于基线方法。
Keyword:
reinforcement learning
knowledge distillation
large language models
multi-agent systems
policy learning
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
查看更多机构
引用论文
Limited Information Aggregation for Collaborative Driving in Multi-Agent Autonomous Vehicles.png)
IF0
PREAI
分享收藏RLingua: Improving Reinforcement Learning Sample Efficiency in Robotic Manipulations With Large Language ModelsRLingua：利用大型语言模型提高机器人操作中的强化学习样本效率
OAAI
OAAI分享收藏ChatGPT for Robotics: Design Principles and Model Abilities机器人技术的ChatGPT: 设计原则和模型能力IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Clustering experience replay for the effective exploitation in reinforcement learningPATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏 没有更多内容