Une étude très condensée et une critique de l'apprentissage profond par renforcement multi-agents

Résumé

L'apprentissage par renforcement profond (RL) a obtenu des résultats remarquables ces dernières années. Cela a conduit à une augmentation spectaculaire du nombre d'applications et de méthodes. Des travaux récents ont exploré l'apprentissage au-delà des scénarios à agent unique et ont considéré des scénarios d'apprentissage multi-agents (MAL). Les premiers résultats font état de succès dans des domaines multi-agents complexes, bien qu'il reste plusieurs défis à relever. L'objectif principal de ce résumé étendu est de fournir un large aperçu de la littérature actuelle sur l'apprentissage par renforcement profond multi-agent (MDRL), en espérant que cela motivera le lecteur à revoir notre article de synthèse JAAMAS de 47 pages [28]. En outre, nous complétons cet aperçu par une analyse plus large : (i) Nous revisitons les composantes clés précédentes, présentées à l'origine dans le MAL et le RL, et nous soulignons comment elles ont été adaptées aux contextes d'apprentissage par renforcement profond multi-agent. (ii) Nous fournissons des directives générales aux nouveaux praticiens dans le domaine : nous décrivons les leçons tirées des travaux du MDRL, nous indiquons les repères récents et nous soulignons les pistes de recherche ouvertes. (iii) Nous adoptons un ton plus critique en soulevant les défis pratiques de la MDRL.