mQ-learning-intervals

新算法应对去中心化多玩家强化学习

研究人员开发了用于信息不对称的去中心化多玩家强化学习在片段式马尔可夫决策过程（MDP）中的新算法。提出的方法 mQ-learning、mQ-learning-intervals、mEXC 和 mEXC-Bellman 解决了未观察到的动作以及独立或共同奖励的情况。与集中式学习相比，这些算法实现了具有竞争力的遗憾界限，尤其是在玩家数量较少或动作集有限的情况下。