EVENT DOSSIER
针对合作多智能体强化学习中因环境或任务目标变更导致经验不可靠的问题，研究人员提出一种名为“过去奖励模式”（PPR）的轻量级在线变化点检测算法。该算法通过平滑智能体回报流、突出近期变化并应用统计漂移检测器来标记显著偏移，具有算法无关性。研究在自定义的 Speaker-Listener 环境中进行了评估，涵盖两种受控非平稳性场景。实验对比显示，直接对原始回报应用检测器易漏检，而平滑回报基线虽能更早检测但会产生大量重复警报；PPR 算法有效限制了冗余检测并准确识别了控制偏移，在检测速度与警报稳定性之间取得了良好平衡，可作为可靠的基于奖励的监控工具用于合作 MARL 系统的训练期间。
本文提出一种基于奖励信号的在线变化点检测算法"Patterns of Past Rewards"(PPR)，用于解决合作多智能体强化学习在环境或任务目标变更时的适应问题。PPR 是一种轻量级、与算法无关的检测器，通过平滑智能体的回报流并应…
本文提出一种名为"Patterns of Past Rewards"(PPR)的轻量级算法无关在线变化点检测算法，用于解决合作多智能体强化学习（MARL）中因环境或任务目标变化导致经验不可靠的问题。该算法通过平滑智能体的回报流、突出近期变…
本文提出一种基于奖励信号的在线变化点检测算法"Patterns of Past Rewards"(PPR)，用于解决合作多智能体强化学习在环境或任务目标变更时的适应问题。PPR 是一种轻量级、与算法无关的检测器，通过平滑智能体的回报流并应用统计漂移检测器来标记显著偏移。研究在基于 Multi-Agent Particle Environment 的自定义 Speaker-Listener 环境中进行了评估，涵盖两种受控非平稳性场景。实验结果显示，直接对原始回报应用检测器容易遗漏变化，而平滑回报基线虽能更早检测但会产生大量重复警报；PPR 通过限制冗余检测同时识别控制偏移，实现了检测速度与警报稳定性的更好平衡。
本文提出一种名为"Patterns of Past Rewards"(PPR)的轻量级算法无关在线变化点检测算法，用于解决合作多智能体强化学习（MARL）中因环境或任务目标变化导致经验不可靠的问题。该算法通过平滑智能体的回报流、突出近期变化并应用统计漂移检测器来标记显著偏移。研究在基于 Multi-Agent Particle Environment 的自定义 Speaker-Listener 环境中进行了评估，涵盖两种受控非平稳性场景。实验结果显示，PPR 在检测速度与警报稳定性之间取得了平衡：相比直接对原始回报应用检测器（易漏检）或平滑回报基线（产生大量重复警报），PPR 能限制冗余检测并准确识别受控偏移。这些发现表明 PPR 是一种可靠的基于奖励的监控工具，有助于合作 MARL 系统在训练期间可靠地识别…