Neue Action-Graph-Policies optimieren Koordination in Multi-Agenten-ML

Forscher haben die Action-Graph-Policies (AGP) vorgestellt, ein neues Konzept, das die Koordination von Aktionen in Multi-Agenten-Umgebungen revolutioniert.

AGP modelliert die Abhängigkeiten zwischen den verfügbaren Aktionsoptionen der Agenten und baut sogenannte Koordinationskontexte auf, die es jedem Agenten ermöglichen, seine Entscheidungen unter Berücksichtigung globaler Abhängigkeiten zu treffen.

Nach theoretischer Analyse sind AGP deutlich ausdrucksstärker als vollständig unabhängige Politiken und können koordinierte Aktionen erzeugen, die nachweislich besser sind als die reine Greedy-Ausführung, selbst wenn zentrale Wertdekompositionsmethoden eingesetzt werden.

In praktischen Tests erreichten AGP 80 bis 95 % Erfolgsrate bei klassischen Koordinationstests mit partieller Beobachtbarkeit und Anti‑Koordinationsstrafen – ein Ergebnis, das bei anderen MARL‑Methoden nur 10 bis 25 % betragen hat.

Darüber hinaus übertrifft AGP in einer Vielzahl von Multi‑Agenten‑Umgebungen die bisherigen Baselines kontinuierlich, was die Vielseitigkeit und Effektivität dieser neuen Policy‑Architektur unterstreicht.