去中心化与终身自适应的多智能体协作学习

去中心化与终身自适应的多智能体协作学习旨在在没有中央服务器的情况下增强多个智能体之间的协作，每个智能体随时间解决不同的任务。为了实现高效协作，智能体应该：i) 以去中心化的方式自主识别有益的协作关系；ii) 适应动态变化的任务观测。在本文中，我们提出了 DeLAMA，一种具有动态协作图的去中心化多智能体终身协作学习算法。为了促进自主协作关系学习，我们提出了一种去中心化图结构学习算法，消除了对外部先验的需求。为了促进对动态任务的适应，我们设计了一个记忆单元来捕获智能体积累的学习历史和知识，同时保持有限的存储消耗。为了进一步增强系统的表达能力和计算效率，我们应用了算法展开，利用了数学优化和神经网络的优势。这使得智能体能够通过训练任务的监督来“学习协作”。我们的理论分析验证了在少量通信轮次下，智能体间的协作是通信高效的。实验结果验证了其促进发现协作策略和适应动态学习场景的能力，实现了 MSE 98.80% 的降低和分类准确率 188.87% 的提升。我们期望我们的工作能作为一项基础技术，促进未来构建智能、去中心化和动态的多智能体系统的研究。代码可在 https://github.com/ShuoTang123/DeLAMA 获取。