ICLR 2020 多智能体强化学习论文总结

最新推荐文章于 2025-10-10 22:31:16 发布
原创 最新推荐文章于 2025-10-10 22:31:16 发布 · 5.8k 阅读 · 56 ·
CC 4.0 BY-SA版权
本文为博主原创文章，转载请声明作者rockray21。如有问题，欢迎指正。
文章标签：

#强化学习

这篇博客总结了ICLR 2020会议上涉及多智能体强化学习（MARL）的论文，涵盖了网络化系统控制、内在动机、子任务依赖、交互建模、探索策略等多个方面。文章提到了多个具体研究，如使用NeurComm减少信息丢失的网络化MARL，以及通过内在动机促进协同行为的研究。还讨论了如何通过进化种群课程（EPC）扩展多智能体强化学习的规模，以及CM3框架在多目标多阶段多agent学习中的应用。整体上，尽管多智能体强化学习不是会议的主流，但仍有重要的研究进展。

ICLR 2020 多智能体强化学习论文总结

如有错误，欢迎指正

本篇为自我学习过程中的要点记录，仅作学习使用。
所引用内容的链接将全部粘贴于下方，如有侵权，请与本人联系。

所引用内容链接

感谢这篇汇总
ICLR 2020 强化学习相关论文合集: https://zhuanlan.zhihu.com/p/134589960.

Multi-Agent RL

1.Multi-agent Reinforcement Learning For Networked System Control

Tianshu Chu · Sandeep Chinchali · Sachin Katti

研究了网络化系统控制中的多智能体强化学习（MARL）。具体地说，每个agent基于本地观察和来自连接邻居的消息来学习分散控制策略。我们将这种网络化MARL（NMARL）问题描述为一个时空Markov决策过程，并引入空间折扣因子来稳定每个局部agent的训练。此外，我们提出了一种新的可微通信协议NeurComm，以减少NMARL中的信息丢失和非平稳性。通过在自适应交通信号控制和协同自适应巡航控制的实际NMARL场景下的实验，适当的空间折扣因子有效地增强了非通信MARL算法的学习曲线，而NeurComm在学习效率和控制性能上都优于现有的通信协议。

通信场景

2.Intrinsic Motivation For Encouraging Synergistic Behavior

Rohan Chitnis · Shubham Tulsiani · Saurabh Gupta · Abhinav Gupta

我们研究了在稀疏奖励协同任务中，内在动机作为强化学习的一种探索偏向的作用。协同任务是多个主体必须协同工作才能达到各自无法达到的目标。我们的核心思想是，协同任务中内在动机的一个好的指导原则是，采取影响世界的行动，而这些动作是智能体无法自己实现的。因此，我们建议激励智能体采取（联合）行动，其效果无法通过每个单独智能体的预测效果的组合来预测。我们研究了这一思想的两个实例，一个基于遇到的真实状态，另一个基于与策略同时训练的动力学模型。前者比较简单，后者的优点是对所采取的行动具有可分析的可微性。我们验证了我们的方法在机器人双手操作和稀疏奖励的多智能体运动任务中的有效性；我们发现我们的方法比两种方法都能产生更有效的学习效果：1）仅使用稀疏奖励的训练；2）使用典型的基于惊喜的内在动机公式，该公式不偏向协同行为。项目网页上提供了视频：https://sites.google.com/view/iclr2020-synergistic.

协同行为，机器人场景

3.Meta Reinforcement Learning With Autonomous Inference Of Subtask Dependencies

Sungryull Sohn · Hyunjae Woo · Jongwook Choi · Honglak Lee

我们提出并解决了一个新的少样本RL问题，其中任务的特征是一个子任务图，该子任务图描述了一组子任务及其对agent的依赖性。agent需要在适应阶段快速适应任务，在适应阶段只需几个回合就可以使测试阶段的回报最大化。与直接学习元策略不同，<

最低0.47元/天 解锁文章
【强化学习论文合集】二十五.2020国际表征学习大会论文(ICLR2020)
计算机科研杂货铺
12-01 2942
强化学习（Reinforcement Learning, RL），又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。 > 本专栏整理了近几年国际顶级会议中，涉及强化学习（Reinforcement Learning, RL）领域的论文。顶级会议包括但不限于：ICML、AAAI、IJCAI、NIPS、ICLR、AAMAS、CVPR、ICRA等。
ICLR2020 || 106篇深度强化学习顶会论文汇总
abcdefg90876的博客
04-29 4238
深度强化学习实验室报道转载自：EndtoEnd.ai编辑：DeepRL【导读】今年的ICLR大会转到了线上举行，DeepMind和哈佛的研究人员投稿了一篇神经网络控制虚拟小白鼠模的论文...
【强化学习】ICLR 2020 强化学习相关论文与会议slides分享
深度学习技术前沿
05-03 4680
关注上方“深度学习技术前沿”，选择“星标公众号”，资源干货，第一时间送达！作者：王小惟知乎链接：https://zhuanlan.zhihu.com/p/137515707本文仅作学术分...
强化学习（5）多智能体强化学习
最新发布
qq_43644023的博客
10-10 1015
多智能体强化学习（MARL）与单智能体强化学习（SARL）在环境动态性、智能体目标、学习复杂性等方面存在显著差异。MARL中，环境的非静态性和智能体间的相互影响导致学习难度增加，涉及合作、竞争或混合关系。MARL架构可分为完全集中式（CTE）、完全分散式（DTE）和集中训练/分散执行（CTDE）三类。CTE利用全局信息但易受维度灾难影响；DTE独立学习但收敛性差；CTDE结合两者优势，训练时使用全局信息优化策略，执行时依赖局部观测，是当前主流方法。这些差异使得MARL在信度分配、收敛性和可观测性等方面面临更
多智能体强化学习
Trony的博客
08-12 1611
Multi-Agent Reinforcement Learning Concepts and Challenges Setting 多智能体强化学习通常有四种设定 Fully cooperative 完全合作关系，这种设定里面，Agents的利益一致，获得的奖励相同，有共同的目标。 Fully competitive 完全竞争关系，一方的收益是另一方的损失。典型的代表就是0和博弈，双方获得的奖励的总和为0. Mixed Cooperative & comepetitive 既有竞
最新最全论文合集——多智能体强化学习
AI_Conf的博客
02-03 681
AMiner平台（https://www.aminer.cn）由清华大学计算机系研发，拥有我国完全自主知识产权。平台包含了超过2.3亿学术论文/专利和1.36亿学者的科技图谱，提供学者评价、专家发现、智能指派、学术地图等科技情报专业化服务。系统2006年上线，吸引了全球220个国家/地区1000多万独立IP访问，数据下载量230万次，年度访问量超过1100万，成为学术搜索和社会网络挖掘研究的重要数据和实验平台。 必读论文：https://www.aminer.cn/topic 论文集地址：https:/.
Multi-Agent Reinforcement Learning Based Frame Sampling for Effective Untrimmed Video Recognition
a1424262219的博客
08-01 563
Multi-Agent Reinforcement Learning Based Frame Sampling for EffectiveUntrimmed Video Recognition ICCV 2019 (oral) 2019-08-0115:08:19 Paper：https://arxiv.org/abs/1907.13369 1. Backgr...
多智能体强化学习论文——ASN(ICLR 2020)
我的AI笔记
10-21 1013
文章目录论文：ACTION SEMANTICS NETWORK: CONSIDERING THE EFFECTS OF ACTIONS IN MULTIAGENT SYSTEMS存在的问题&研究动机&研究思路创新点算法框图实验some points 论文：ACTION SEMANTICS NETWORK: CONSIDERING THE EFFECTS OF ACTIONS IN MULTIAGENT SYSTEMS 存在的问题&研究动机&研究思路 自然界中的多智能体协作任
【论文笔记】AAAI2022多智能体强化学习论文五篇
Xixoqw的博客
03-17 7214
修改自我的组会报告ppt。 文章目录引子Anytime Multi-Agent Path Finding via Machine Learning-Guided Large Neighborhood SearchMAPF-LNS2: Fast Repairing for Multi-Agent Path Finding via Large Neighborhood SearchScenic4RL: Programmatic Modeling and Generation of Real-time Strat
顶会速递 | ICLR 2020录用论文之强化学习篇
语言智能技术笔记簿
03-12 5954
人工智能顶会ICLR 2020录用的强化学习相关的研究论文已经为大家准备好了，赶紧Mark学习起来吧！
[RL 12] Multi-Agent Reinforcement Learning A Selective Overview of Theories and Algorithms
xyp99的博客
12-12 1111
To be continued paper: Multi-Agent Reinforcement Learning: A Selective Overview of Theories and Algorithms 4 MARL Algorithms with Theory Notation Markov Game = Stocastic Game Multi-Agent MDP = Markov Teams 4.1 Cooperative Setting 4.1.1 Homogeneous Agents
多智能体强化学习（五）MARL的挑战
wangyifan123456zz的博客
07-06 2008
多智能体强化学习（五）MARL的挑战1.组合中的复杂性多维的学习目标3. 非平稳性问题4. 当出现N>>2时的可伸缩性问题 与单智能体RL相比，多智能体RL是一个更好地匹配现实世界人工智能应用的广泛范围的通用框架。然而，由于存在多个同时学习的代理，除了在单代理RL中已经存在的智能体外，MARL方法还提出了更多的理论挑战。与通常有两个智能体的经典地图设置相比，解决一个多智能体RL问题更具挑战性。事实上，①组合的复杂性，②多维度学习对象，③非平稳性的问题都导致了大多数MARL算法能够解决④只有两个玩
多智能体通信：基于通信的多智能体强化学习研究综述
燕双嘤
04-09 1万+
题目：A Survey of Multi-Agent Reinforcement Learning with Communication 出处：arXiv 2022 摘要：通信是协调多个智能体行为的有效机制。在多智能体强化学习领域，智能体可以通过通信来提高整体学习性能并实现其目标。此外，智能体可以通过特定渠道向所有智能体或特定智能体组传递各种类型的消息。随着越来越多的通讯研究工作（Comm MARL），缺乏一种系统和结构化的方法来区分和分类现有的通信系统。在本文中，我们调查在COMM MARL领域最近的
强化学习系列（9）：多智能体强化学习（Multi-Agent Reinforcement Learning，MARL）原理与应用
Azperk的博客
03-13 2977
在现实世界的许多场景中，往往存在多个智能体同时在一个环境中活动并相互影响，比如机器人团队协作完成任务、游戏中的多人对战等。与单智能体强化学习不同，多智能体强化学习需要考虑智能体之间复杂的交互关系，每个智能体的行为不仅会影响自身的奖励，还会对其他智能体的状态和奖励产生影响，这使得学习过程变得更加复杂。
【强化学习】【多智能体强化学习（MARL）论文集】
wq6qeg88的博客
07-30 2216
ICML 2018 年。，作者：Shunyu Liu， Yihe Zhou 周， Jie Song， Tongya Zheng， Kaixuan Chen， Tongtian Zhu， Zunlei Feng， Mingli Song.AAAI，2023 年。，作者：Kuba Jakub、Muning 温、Linghui Meng、Shangding Gu、Haifeng Zhang、David Mguni、Jun Wang和Yaodong Yang，NIPS 2021。ECML，2013 年。
多智能体强化学习 (MultiAgent Reinforcement Learning)
AGI×大数据，开启智能时代的认知跃迁；解码AGI，赋能数据驱动的智能革命。
09-04 420
多智能体强化学习 (Multi-Agent Reinforcement Learning) 关键词：强化学习、多智能体系统、博弈论、深度学习、分布式优化 1. 背景介绍 1.1 问题的由来
多智能体强化学习入门
热门推荐
小星AI
10-24 2万+
参考文章：万字长文：详解多智能体强化学习的基础和应用 、多智能体强化学习入门（一）——基础知识与博弈 推荐文章：多智能体强化学习路线图 (MARL Roadmap) 推荐综述论文：An Overview of Multi-Agent Reinforcement Learning from Game Theoretical Perspective 参考书籍：《深度强化学习学科前沿与实战应用》 多智能体强化学习（Multi-agent RL简称MARL），是由RL和多智能体系统结合而成的新领域。多智能体系统起源
RLChina强化学习笔记
weixin_43869415的博客
08-18 1846
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、机器学习二、深度学习二、机器学习中的优化理论和方法2.1 优化算法2.2 收敛性分析2.3 图形模型与贝叶斯推理2.4 贝叶斯优化三、博弈论3.1 Motivation and Normal-form Game3.2 Extensive-form Game and Imperfect Information3.3 Bayesian Game and Incomplete information3.4 Nash Equilib
[论文阅读] Action Semantics Network: Considering the Effects of Actions in Multiagent System
weixin_47920755的博客
11-06 408
[论文阅读] Action Semantics Network: Considering the Effects of Actions in Multiagent System
多智能体强化学习论文
05-17
### 多智能体强化学习学术论文下载途径 多智能体强化学习（Multi-Agent Reinforcement Learning, MARL）是一个快速发展的研究领域，涉及多个智能体在共享环境中通过交互来实现各自目标的过程[^2]。为了获取最新的MARL相关学术论文，可以采用以下几种方法： #### 1. **知名会议和期刊** 许多高质量的MARL研究成果发表于顶级人工智能和机器学习会议及期刊中。这些平台包括但不限于： - ICLR (International Conference on Learning Representations)[^4] - NeurIPS (Conference on Neural Information Processing Systems) - AAAI (Association for the Advancement of Artificial Intelligence)[^1] - ICML (International Conference on Machine Learning) 可以通过访问这些会议官网或其合作出版商（如arXiv、SpringerLink、IEEE Xplore等）检索关键词“multi-agent reinforcement learning”，找到相关的论文。 #### 2. **预印本服务器 arXiv** arXiv 是一个开放存取的电子预印本文库，涵盖了大量计算机科学领域的前沿工作。可以直接在其网站上搜索主题词“multi-agent reinforcement learning”或者具体的算法名称（如MADDPG、QMIX等），并按时间排序筛选最新文章[^3]。 #### 3. **Google Scholar 和 Microsoft Academic** 这两个搜索引擎专门用于科研文献查询。输入精确的主题术语可以帮助定位特定类型的MARL研究进展。例如，“Anytime Multi-Agent Path Finding via Machine Learning-Guided Large Neighborhood Search” 可能出现在这样的索引服务里[^1]。 #### 4. **大学和技术公司实验室主页** 很多顶尖高校的研究小组以及科技巨头（谷歌DeepMind、Facebook AI Research FAIR、阿里巴巴达摩院等）都会定期发布他们在MARL方面的探索成果。浏览他们的官方网站往往可以获得一手资料链接至原始PDF文档。 #### 5. **在线图书馆与数据库** 如果需要正式版本而非预印刷版，则可利用机构订阅权限进入如下大型综合型数字图书管理系统查阅付费墙后的全文内容： - ScienceDirect - Wiley Online Library - Taylor & Francis Online 以下是Python脚本示例展示如何自动化抓取某些公开资源中的元数据信息作为进一步手动挑选依据之一: ```python import requests from bs4 import BeautifulSoup def fetch_arxiv_papers(query='multi-agent reinforcement learning', max_results=10): base_url = f"https://export.arxiv.org/api/query?search_query=all:{query}&start=0&max_results={max_results}" response = requests.get(base_url) soup = BeautifulSoup(response.content, 'xml') entries = soup.find_all('entry') papers_info = [] for entry in entries: title = entry.title.text.strip() summary = entry.summary.text.strip().replace('\n',' ') link = entry.id.text paper_data = { "Title":title, "Summary":summary[:200]+'...', #截断摘要显示前两百字符加省略号 "URL":link } papers_info.append(paper_data) return papers_info if __name__ == "__main__": results = fetch_arxiv_papers() for idx,result in enumerate(results,start=1): print(f"{idx}. {result['Title']}\n Summary: {result['Summary']}\n URL: {result['URL']}\n") ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值