본 논문은 자율 에이전트 간의 부분적 정렬 및 충돌로 인해 발생하는 혼합 동기 시나리오에 초점을 맞추고 있습니다. 에이전트들은 협력이 더 나은 결과를 가져올 때에도 실제로 협력하지 못하는 경우가 있는데, 그 이유 중 하나는 신뢰할 수 없는 약속 때문입니다. 이 문제를 해결하기 위해, 본 논문에서는 에이전트들이 자발적으로 미래 계획을 약속할 수 있는 마르코프 약속 게임(MCGs)을 제안합니다. MCGs를 기반으로 정책 경사를 이용한 학습 가능한 약속 프로토콜을 제시하고, 더 나은 사회적 복지 수준의 균형점으로의 수렴을 가속화하기 위해 인센티브 호환 학습을 제안합니다. 실험 결과는 까다로운 혼합 동기 작업에서 제안된 방법이 기존 방법보다 더 빠른 경험적 수렴과 더 높은 수익을 보여줌을 입증합니다. 소스 코드는 GitHub에서 공개됩니다.
