本文提出了一个基于图信息瓶颈优化的鲁棒多智能体通信机制（MAGI），用于多智能体强化学习（MARL）中通信学习的优化。研究发现，传统基于GNN的通信方法易受对抗性攻击和噪声影响，而MAGI通过最小化无用信息并最大化与动作选择相关的信息，提高了通信的效率和鲁棒性。MAGI利用信息论正则化器来学习最小且充分的通信消息表示，增强了多智能体的动作协调。实验表明，MAGI在多种环境中表现出优于现有方法的性能和鲁棒性。
题目：Robust Multi-Agent Communication With Graph Information Bottleneck Optimization
具有图信息瓶颈优化的鲁棒多Agent通信
作者：Shifei Ding; Wei Du; Ling Ding; Jian Zhang; Lili Guo; Bo An
摘要
最近关于多智能体强化学习（MARL）的研究表明，通过引入通信学习机制可以显著增强多智能体的动作协调。同时，图神经网络（GNN）为MARL的通信学习提供了一个有前景的范式。在这一范式下，智能体和通信信道可以被视为图中的节点和边，智能体可以通过GNN从邻近智能体聚合信息。然而，这种基于GNN的通信范式容易受到对抗性攻击和噪声扰动的影响，如何在扰动下实现鲁棒的通信学习在很大程度上被忽视了。为此，本文探讨了这个问题，并引入了一个具有图信息瓶颈优化的鲁棒通
订阅专栏 解锁全文
扫一扫
1044
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
