LLM-based Multi-Agent Reinforcement Learning: Current and Future Directions

2024年05月17日
  • 简介
    近年来,大型语言模型(LLMs)展示了在各种任务中的出色能力,包括问答、算术问题求解和诗歌创作等。尽管LLM作为代理人的研究表明LLM可以应用于强化学习(RL)并取得不错的结果,但基于LLM的RL扩展到多智能体系统(MAS)并不容易,因为许多方面,例如代理之间的协调和通信,在单个代理的RL框架中没有考虑。为了激发更多关于LLM基础的MARL的研究,本文综述了现有的基于LLM的单智能体和多智能体RL框架,并为未来的研究提供了潜在的研究方向。特别是,我们关注共同目标的多个代理的合作任务以及它们之间的通信。我们还考虑到由框架中的语言组件实现的人类参与/在环路中的情况。
  • 图表
  • 解决问题
    LLM-based Multi-Agent Reinforcement Learning (MARL)
  • 关键思路
    使用LLM解决多智能体强化学习中的协作和通信问题
  • 其它亮点
    论文调查了现有的LLM单智能体和多智能体RL框架,并提供了未来研究的潜在方向。重点关注多个智能体之间的协作任务和通信。考虑到语言组件,论文还考虑了人类参与的场景。
  • 相关研究
    最近的相关研究包括:1. Multi-Agent Reinforcement Learning with Communication Constraints; 2. Emergent Communication in a Multi-Modal, Multi-Step Referential Game; 3. Multi-Agent Reinforcement Learning with Dynamic Fairness
PDF
原文
点赞 收藏 评论 分享到Link

沙发等你来抢

去评论