【标题】Multi-Agent Game Abstraction via Graph Attention Neural Network

【研究团队】 南京大学 & 天津大学 & 网易伏羲实验室

【论文链接】https://arxiv.org/pdf/1911.10715.pdf

【发表时间】2020

【推荐理由】大规模多智能体系统中，复杂的博弈关系给策略学习带来的巨大的困难。所以简化学习的过程就是一个非常关键的研究问题。而在多智能体的互动当中，智能体往往只需要和局部的智能体发生互动关系，传统方法试图使用预定义的规则来捕捉智能体之间的关系，然而这种规则不能直接用在大规模环境中。本文提供了个完整的图关系来模拟代理关系，并提出了一个新的游戏抽象机制。用一种新的注意力网络抽象机制能指示两个代理间是否存在互动及其重要性。

 

在本文中，我们专注于大规模多代理系统中政策学习的简化。我们学习代理人之间的关系，并通过定义一个新的注意力机制来实现游戏的抽象化。
定义了一种新的注意力机制。在一个事件的不同时间步骤中，代理之间的关系是不断变化的。在本文中，我们可以学习自适应的
和动态注意力值。我们的主要贡献包括新颖的两阶段注意力机制G2ANet，以及两个基于游戏抽象的学习算法GAComm和GA-AC。在“交通枢纽”中的实验结果
和Predator-Prey的实验结果表明，有了新的游戏抽象机制，GA-Comm和GA-AC算法与最先进的算法相比，获得了更好的性能。

 

 

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除