面向平均场博弈的对抗逆强化学习
机器学习
2025-12-02 v6
摘要
平均场博弈（MFGs）利用平均场理论简化智能体间的交互，为建模大规模多智能体系统提供了数学上易处理的框架。它使得应用逆强化学习（IRL）通过从示演行为中恢复奖励信号来预测大量群体的行为成为可能。然而，现有的MFGs的IRL方法无力对个体智能体示演行为中的不确定性进行推理。本文提出一种新框架——平均场对抗逆强化学习（MF-AIRL），其能够处理示演中的不确定性。我们将MF-AIRL构建于最大熵IRL与一个新的均衡概念之上。我们在带有不完美示演的模拟任务上评估了我们的方法。实验结果证明了MF-AIRL在奖励恢复上优于现有方法。
引用
@article{arxiv.2104.14654,
title = {Adversarial Inverse Reinforcement Learning for Mean Field Games},
author = {Yang Chen and Libo Zhang and Jiamou Liu and Michael Witbrock},
journal= {arXiv preprint arXiv:2104.14654},
year = {2025}
}
备注
Accepted to AAMAS 2023