PEnGUiN: 用于样本高效MARL的部分等变图神经网络
机器学习
2025-03-21 v1 人工智能
机器人学
摘要
等变图神经网络（EGNNs）在多智能体强化学习（MARL）中作为一种有前景的方法出现，利用对称性保证显著提高了样本效率和泛化能力。然而，真实环境通常表现出固有的不对称性，源于外部力、测量不精确或内在系统偏差等因素。本论文引入了 \textit{部分等变图神经网络（PEnGUiN）}，一种专门设计用于应对这些挑战的新架构。我们正式识别并分类了与MARL相关的各种部分等变类型，包括子群等变性、逐特征等变性、区域等变性和近似等变性。我们从理论上证明了PEnGUiN能够在统一框架中学习完全等变（EGNN）和非等变（GNN）表示。通过在一系列包含各种不对称的MARL问题上的广泛实验，我们从经验上验证了PEnGUiN的有效性。我们的结果一致表明PEnGUiN在非对称环境中优于EGNN和标准GNN，突显了它们提高基于图的MARL算法在真实场景中的鲁棒性和适用性的潜力。
引用
@article{arxiv.2503.15615,
title = {PEnGUiN: Partially Equivariant Graph NeUral Networks for Sample Efficient MARL},
author = {Joshua McClellan and Greyson Brothers and Furong Huang and Pratap Tokekar},
journal= {arXiv preprint arXiv:2503.15615},
year = {2025}
}