هوش مصنوعی
چارچوبی برای کاوش هماهنگ‌تر در یادگیری تقویتی چندعاملی
روش EFXPLORER کاوش را با حفظ سطح عملکرد تثبیت‌شدهٔ تیم محدود می‌کند و در آزمون‌های شبیه‌سازی از چند روش پایه بهتر عمل کرده است.
کشف رفتارهای هماهنگ در یادگیری تقویتی چندعاملی دشوار است؛ زیرا فضای ترکیبیِ حالت‌ها و کنش‌های مشترک بزرگ است و یادگیری از راه آزمون‌وخطا به‌تنهایی ممکن است برای شکل‌گیری همکاری کافی نباشد. پژوهشگران در پیش‌چاپی در arXiv، چارچوبی به نام EFXPLORER پیشنهاد کرده‌اند که اهداف کاوش را دنبال می‌کند، اما عملکردی را که تیم پیش‌تر به دست آورده است، با اعمال محدودیت حفظ می‌کند.
این روش با بازنویسی مسئله به فرم اپی‌گراف، بودجه‌های کاوش تطبیقی تعیین می‌کند و پاداش‌های درونیِ کاوش را از اهداف اصلی وظیفه جدا نگه می‌دارد. پژوهشگران همچنین پاداشی درونی مبتنی بر فاصلهٔ جانشین افزوده‌اند تا کاوش متنوع‌تر و دارای وابستگی‌های بلندمدت‌تر شود. بر اساس چکیدهٔ مقاله، EFXPLORER در مجموعه‌آزمون‌های SMAX، VMAS و MPE از روش‌های پایهٔ قدرتمند بهتر عمل کرده و به شکل‌گیری راهبردهای همکاری تازه انجامیده است. این مقاله پیش‌چاپ است و برای NeurIPS 2026 ثبت شده است.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده