20、多智能体网络的集体终身学习及知识转移研究

多智能体网络的集体终身学习及知识转移研究

1. 集体终身学习实验

1.1 实验对比方法

为了从不同角度评估 CoLLA 的性能，将其与以下方法进行对比：
- 单任务学习（STL）：作为衡量任务间正向迁移效果的下限。
- ELLA：用于证明智能体之间的协作能提高整体性能。
- 离线 CoLLA：作为在线分布式算法的上限。
- GO - MTL：作为绝对上限，因为它是批量多任务学习方法。

1.2 数据集

使用了四个基准多任务学习数据集，具体如下：
| 数据集名称 | 任务类型 | 任务数量 | 数据点数量 | 特征信息 | 智能体设置 |
| — | — | — | — | — | — |
| 地雷检测 | 二元分类 | 29 | 14,820 | 9 个特征（4 个基于矩、3 个基于相关性、1 个能量比、1 个空间方差），加偏置项 | 2 个协作智能体，各处理一种区域类型 |
| 面部表情识别 | 二元面部表情识别 | 21 | 每个任务 450 - 999 | 从 Gabor 特征提取前 100 个 PCA 分量 | 3 个智能体，各随机学习 7 个任务 |
| 伦敦学校 | 回归 | 139 | 15,362 | 27 个分类特征（8 个学校特定、19 个学生特定），加偏置项 | 6 个智能体，各随机分配 23 个任务 |
| 计算机调查 | 回归 | 190 | - | 13 个二元特征，加偏置项 | 19 个智能体，各随机分配 10 个任务 |

1.3 评估方法

• 数据划分