Bench-MFG：平稳平均场博弈学习基准套件
机器学习
2026-02-16 v1 人工智能
多智能体系统
最优化与控制
摘要
平均场博弈与强化学习的交叉催生了一个日益壮大的算法家族，旨在解决大规模多智能体系统问题。然而，该领域目前缺乏标准化的评估协议，迫使研究人员依赖特制的、孤立的且通常过于简化的环境。这种碎片化使得评估新兴方法的鲁棒性、泛化能力和失败模式变得困难。为了填补这一空白，我们提出了一个全面的平均场博弈基准套件，专注于离散时间、离散空间的平稳设定以保持清晰性。我们引入了一个问题类别分类法，范围从无交互博弈和单调博弈到势博弈和动力学耦合博弈，并为每个类别提供了原型环境。此外，我们提出了MF-Garnets，一种生成随机平均场博弈实例的方法，以促进严格的统计检验。我们在这些环境中对多种学习算法进行了基准测试，包括一种新颖的用于最小化可剥削性的黑盒方法。基于我们广泛的实证结果，我们提出了标准化未来实验比较的指南。代码可在\href{https://github.com/lorenzomagnino/Bench-MFG}{https://github.com/lorenzomagnino/Bench-MFG}获取。
引用
@article{arxiv.2602.12517,
title = {Bench-MFG: A Benchmark Suite for Learning in Stationary Mean Field Games},
author = {Lorenzo Magnino and Jiacheng Shen and Matthieu Geist and Olivier Pietquin and Mathieu Laurière},
journal= {arXiv preprint arXiv:2602.12517},
year = {2026}
}