AI এবং বিশ্বের কঠিন সমস্যাগুলো · তাত্ত্বিক কম্পিউটার বিজ্ঞান · arXiv · 2026-10-21

মাল্টি-এজেন্ট রিইনফোর্সমেন্ট লার্নিংয়ে নন-স্টেশনারিটি পারম্যুটেশন সারোগেটকে ভেঙে দেয়: নির্ণয় ও প্রতিকার

মূল শিরোনাম: Non-Stationarity Breaks Permutation Surrogates in Multi-Agent Reinforcement Learning: Diagnosis and Remedies

দুটি মাল্টি-এজেন্ট রিইনফোর্সমেন্ট লার্নিং গেমে—একটি সোশ্যাল ডিলেমা এবং একটি কোঅর্ডিনেশন রেস, যেখানে নির্বাচিত এজেন্ট জোড়াগুলোর মধ্যে দিকনির্দেশিত প্রভাব গঠনগতভাবে শূন্য—লেখকেরা 100টি সিড জুড়ে তথ্যতাত্ত্বিক পরিমাপের জন্য একটি রিপোর্টিং গার্ডরেইল গ্রাউন্ড ট্রুথের বিপরীতে পরীক্ষা করেছেন। নন-স্টেশনারি প্রশিক্ষণ ট্রানজিয়েন্ট বাদ দেওয়া উপেক্ষা করলে মিথ্যা-ইতিবাচক হার দাঁড়ায় 100.00% এবং 99.95%-এ, আর শুধু ট্রানজিয়েন্ট বাদ দিলেও কোঅর্ডিনেশন গেমে 11.8% রয়ে যায়। এর পরিবর্তে তাঁরা প্রশিক্ষণ সময়ের ব্লকগুলোর মধ্যে সোর্স পারম্যুট করার পরামর্শ দেন, যা 5.25% এবং 5.50%-এ পৌঁছায় এবং পরীক্ষিত নালগুলোর মধ্যে এটিই একমাত্র যা উভয় গেমেই পরীক্ষার সাইজের সমান বা তার নিচে থাকে, এবং কোড ও ডেটা প্রকাশ করা হয়েছে।

মূল লেখা পড়ুন ↗

সব আইটেম →