MEMOA：基于平均场去中心化纳什均衡的大规模在线智能体混合方法

arXiv cs.LG 论文
multi-agent-systems decentralized-learning federated-learning mean-field-theory nash-equilibrium optimization

摘要

本文介绍了 MEMOA，这是一种针对大规模在线智能体的去中心化策略。该策略通过平均场纳什均衡实现最优性，在超越贪婪基线的同时，比中心化方法具有更好的扩展性。

arXiv:2605.05492v1 公告类型：新文章 摘要：在当今大规模人工智能时代，联邦学习已成为训练大量人工智能智能体的重要工具；然而，随着智能体数量的增加，其计算和通信成本往往迅速变得难以扩展。这正是去中心化智能体策略大放异彩之处：每个智能体自主行动，仅利用自身状态以及整个群体（即平均场）的最小摘要信息。我们推导出了闭式解形式的唯一最优去中心化策略。最优性通过最差客户端/极小极大标准来表征：最小化表现不佳者的遗憾，即群体中最弱智能体所承受的最大在线成本。我们进一步证明，在大规模群体极限下，由此产生的去中心化策略在渐近意义上收敛于纳什最优的中心化策略，而后者直接计算时缺乏可扩展性。我们采用一种在线加权机制来优化服务器计算的客户端预测混合结果，从而不仅优化了此前针对的最弱客户端预测，还改善了平均预测表现。数值实验验证了我们的理论保证，并表明我们的去中心化策略通常优于自然的贪婪去中心化基线。
查看原文
查看缓存全文

缓存时间: 2026/05/08 07:35 

# MEMOA: 基于平均场去中心化纳什均衡的大规模在线智能体混合
来源: https://arxiv.org/abs/2605.05492
查看 PDF (https://arxiv.org/pdf/2605.05492)

> 摘要:在当今大规模人工智能时代，联邦学习已成为训练大量人工智能智能体日益重要的工具；然而，其计算和通信成本往往难以随智能体数量的增加而有效扩展。这正是去中心化智能体策略大放异彩的地方：每个智能体自主行动，仅利用自身状态以及关于整个群体的极简汇总信息，即平均场。我们在闭式形式下推导出了唯一的最佳去中心化策略。该策略的最优性通过最坏客户端/极小极大准则进行刻画：最小化表现不佳者的后悔值，即群体中最弱智能体所承受的最大在线成本。我们进一步证明，在大规模种群极限下，所得到的去中心化策略渐近收敛至纳什最优的集中式策略，而后者直接计算不具备可扩展性。我们采用一种在线加权机制来优化服务器端计算的客户端预测混合结果，从而在优化最弱客户端预测的基础上，进一步提升平均预测性能。数值实验验证了我们的理论保证，并表明我们的去中心化策略通常优于自然的贪婪式去中心化基线方法。

## 提交历史

作者: Xuwei Yang \[查看电子邮件 (https://arxiv.org/show-email/90454a93/2605.05492)\] **\[v1\]** 2026年5月6日 星期三 22:26:59 UTC (200 KB)

相似文章

Σ-Mem：面向基于LLM的多智能体系统的在线可靠性记忆

Hugging Face Daily Papers

本文介绍了Σ-Mem，一种用于基于LLM的多智能体系统的在线可靠性记忆，它跟踪同伴的历史能力表现及同伴之间的关系，通过谱界实现稳定自适应，并通过残差引导、路由和加权投票来改善协调性。

HMACE：面向组合优化的异构多智能体协同进化

arXiv cs.AI

本文介绍了 HMACE，这是一种异构多智能体协同进化框架，利用大型语言模型（LLM）自动化设计启发式算法，以解决 NP 难组合优化问题。实验表明，在旅行商问题（TSP）和装箱问题（BPP）等任务上，该方法在质量与效率的权衡方面优于单智能体和基准多智能体方法。

ALSO：面向社交智能体的对抗性在线策略优化

arXiv cs.AI

ALSO引入了一个多智能体社交模拟中的在线策略优化框架，将多轮交互建模为对抗性赌博机问题，并利用神经代理进行奖励预测。在Sotopia基准上的实验表明，它优于静态基线和现有优化方法。