Feint in Multi-Player Games

本文介绍了Feint在多人游戏中的第一个正式化、实现和量化评估。我们的工作首先从多人游戏的角度对Feint进行了正式化，考虑了时间、空间和它们的集体影响。这种正式化建立在非传递性主动马尔可夫游戏模型上，其中Feint可以产生相当大的影响。然后，我们的工作考虑了在目前最先进的多智能体建模进展下（即多智能体强化学习），在多人游戏中实现Feint的实际细节。最后，我们的工作定量检验了我们的设计的有效性，结果表明，我们的Feint设计可以（1）极大地提高游戏的奖励收益；（2）显著提高多人游戏的多样性；（3）仅在时间消耗方面产生可忽略的开销。我们得出结论，我们的Feint设计是有效的和实用的，可以使多人游戏更加有趣。

本论文旨在首次正式化、实现和定量评估Feint在多人游戏中的效果。通过基于非传递性主动马尔可夫游戏模型的形式化，从时间、空间和集体影响等方面，探讨Feint在多人游戏中的效果。

本论文提出了一种在多人游戏中实现Feint的方案，采用了最新的多智能体建模技术——多智能体强化学习。通过实验，证明了本方案能够显著提高游戏的奖励收益和多样性，并且时间消耗很小。

本文的亮点包括：（1）提出了一种在多人游戏中实现Feint的方案，并且证明了其有效性和可行性；（2）通过实验验证了本方案的效果，结果显示可以显著提高游戏的奖励收益和多样性；（3）本文采用了最新的多智能体建模技术，并且实验数据和代码已经开源。

在这个领域中，最近的相关研究包括：(1)《Multi-Agent Reinforcement Learning for Sequential Social Dilemmas》；(2)《Emergent Complexity and Zero-shot Transfer via Unsupervised Environment Design》；(3)《Multi-Agent Actor-Critic for Mixed Cooperative-Competitive Environments》。