Learning group collaboration for efficient multi-agent reinforcement learning

doi:10.1016/j.knosys.2026.116612

Learning group collaboration for efficient multi-agent reinforcement learning

2026-07-01

0

PRE

AI

DOI：10.1016/j.knosys.2026.116612

原文链接

原文求助

摘要

En 中文

序列建模为多智能体决策提供了自注意力机制引导的全局通信，在合作任务中显示出潜力。然而，所有智能体之间的信息共享涉及冗余观测和计算开销。在处理复杂多智能体系统时，在有限探索下难以区分合作的有价值信息，导致行动预测不佳。本文提出了一种新型框架，名为基于组的Multi-Agent Transformer（g-MAT）。在角色发现机制的引导下，它构建了压缩的通信拓扑结构并实现了高效的序贯策略。具体而言，智能体根据行为效应被划分为若干带有角色标签的组。然后，设计了混合注意力层，基于分组方案来建模智能体间的高层关联，其中来自队友的局部信息和其他组的全局信息有助于促进合作。在具有挑战性的基准测试中的大量实验表明，g-MAT在各类合作任务中表现出优越性，智能体能够聚合成可解释的组，且需要较少的人工辅助和任务先验。

Keyword:

Multi-agent

Sequence decision-making

Agent grouping

Cooperative tasks

Learning group collaboration for efficient multi-agent reinforcement learning

摘要

期刊

机构

引用论文