MARLは反復組み合わせオークションの分析に有益であり、効果的な展開が非常に難しいことが示されています。
交通信号制御のグローバル性を向上させるための新しいフレームワークと影響メカニズムの提案。
時間依存性マルチエージェントトランスフォーマーを提案し、STL仕様の効率的な解決法を示す。
エコーステートネットワークを使用したマルチエージェント強化学習は、歩行者ダイナミクスにおいて有効であることが示された。
本論文では、回転や反射に対する等変性を備えたE2GN2(Exploration-enhanced Equivariant Graph Neural Networks)を用いることで、従来のGNNやMLPと比較して、マルチエージェント強化学習のサンプル効率と汎化能力を大幅に向上できることを示している。
複雑なマルチエージェント意思決定問題において、従来の生成モデルは試行錯誤や人間のような推論が不足しているため、不正確な解決策を生み出すことが課題となっている。本稿では、言語ガイド付きシミュレーターをマルチエージェント強化学習パイプラインに統合することで、より現実的で根拠のある回答を生成する新しいパラダイムを探求する。
YOLO-MARLは、大規模言語モデル(LLM)の高度なタスク計画能力を活用し、協力型ゲームにおけるマルチエージェント強化学習(MARL)の学習プロセスを向上させる新しいフレームワークである。
混合動機ゲームにおいて、エージェントは、カウンターファクチュアル推論に基づいて社会的関係を推論し、共感的にギフトを贈ることで、利他主義と自己利益のバランスをとることができる。
本稿では、動的な環境下でのマルチエージェント強化学習における通信効率とポリシー改善の両立を実現する、規制セグメント混合に基づく新しいアルゴリズム、RSM-MASACを提案する。
インテリジェント倉庫におけるタスク割り当てと経路探索 (TAPF) 問題を、協調型マルチエージェント深層強化学習 (RL) の観点から同時に解決する新しい手法が提案されている。