כתבה
arXiv cs.LG ·
מי נושא את העול?
Who Bears the Burden? Learning Responsibility for Shared Constraints in Multi-Agent Reinforcement Learning
אנו מציגים את LiRA, שיטה ללמידת תפקידיות לקונסטריינטים משותפים בלמידת רפלקסיה של סוכנים. LiRA משתמשת במכרז חברתי כדי ללמוד את חלקיות הסוכנים במכרז המשותף, ולהפחית את השפעתו של המכרז המשותף. LiRA נבחנה במשחקים שונים, כולל CityLearn, MABIM, Harvest ו-MetaDrive, והראתה השפעה טובה יותר ברווח חברתי מול בסיסים.
תקציר מקורי באנגליתarXiv:2610.07491v1 Announce Type: new Abstract: When multiple agents share a cost budget, a common Lagrange multiplier can enforce the aggregate constraint but does not determine how its penalty should be allocated across agents. Uniform penalties ignore heterogeneity in the rewards agents sacrifice, while agent-specific multipliers may still rely on the same aggregate cost signal. We introduce Lagrangian Responsibility Allocation (LiRA), which learns each agent's share of a common multiplier by optimizing social welfare over a finite training horizon. The multiplier enforces the aggregate budget, while responsibility shares redistribute its influence without modifying the original rewards or constraints. For convex games under standard regularity conditions, varying these shares induces a
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית