GNN+多智能体？剑桥大学最新《图神经网络多智能体学习》博士论文

文章预览

随着时间的推移，机器学习研究越来越重视利用关系归纳偏差[1]。通过关注图结构数据中的潜在关系，已经能够创建性能和泛化能力优越的模型。对于不同的图拓扑结构，这些模型可以表现为CNN（在网格图上）、RNN（在线图上）和Transformer（在全连接图上）。然而，所有这些架构都可以被归为图神经网络（GNNs）的一种特例，这是一种可以在任意图结构数据上操作的框架。利用关系归纳偏差，GNNs使用局部滤波器学习在高维数据上泛化的函数。它们在多智能体学习中尤其有用，因为大多数数据都被结构化为图（例如，多机器人团队中的通信链接生成图连接）。 在本论文中，我们研究了多智能体学习领域。该领域的最新进展令人鼓舞，但还需要进一步创新以解决诸如部分可观测性下的学习和促进协作行为等问题。GNNs提供了一个有用的框架来解决这些问 ………………………………