Knowing What Not to Do: Leverage Language Model Insights for Action Space Pruning in Multi-agent Reinforcement Learning

Ähnliche Einträge

• Higher Replay Ratio Empowers Sample-Efficient Multi-Agent Reinforcement Learning
  von: Xu, Linjie, et al.
  Veröffentlicht: (2024)
• Position: Rethinking Post-Hoc Search-Based Neural Approaches for Solving Large-Scale Traveling Salesman Problems
  von: Xia, Yifan, et al.
  Veröffentlicht: (2024)
• Multi-agent In-context Coordination via Decentralized Memory Retrieval
  von: Jiang, Tao, et al.
  Veröffentlicht: (2025)
• N$\text{A}^\text{2}$Q: Neural Attention Additive Model for Interpretable Multi-Agent Q-Learning
  von: Liu, Zichuan, et al.
  Veröffentlicht: (2023)
• Intrinsic Action Tendency Consistency for Cooperative Multi-Agent Reinforcement Learning
  von: Zhang, Junkai, et al.
  Veröffentlicht: (2024)