Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
Apprentissage par renforcement multi-agents basé sur la théorie des jeux
Created by
Haebom
Auteur
Yaodong Yang, Chengdong Ma, Zihan Ding, Stephen McAleer, Chi Jin, Jun Wang, Tuomas Sandholm
Contour
Cet article offre un aperçu complet du domaine de l'apprentissage par renforcement multi-agents (MARL). Constatant que les recherches existantes sur ce domaine ne parviennent pas à prendre en compte de manière adéquate les développements récents depuis 2010, nous souhaitons fournir un aperçu unique englobant à la fois les fondements de la théorie des jeux et les avancées récentes. En évaluant de manière exhaustive les principes fondamentaux et les tendances de recherche récentes du MARL d'un point de vue théorique des jeux, nous souhaitons fournir une ressource précieuse aux nouveaux venus dans le domaine comme aux experts.
Takeaways, Limitations
•
Takeaways : Offre une compréhension globale des fondements de la théorie des jeux et des tendances récentes de l'apprentissage par renforcement multi-agents. Fournit des informations utiles aux nouveaux chercheurs comme aux experts. Propose également des pistes de recherche futures.
•
Limitations: Cet article ayant été publié en 2020, il peut ne pas refléter pleinement les tendances récentes de la recherche. L'analyse approfondie d'algorithmes MARL ou de domaines d'application spécifiques peut être limitée.
