跳到正文
arXiv · ML· Shripad V. Deshmukh, Jayakumar Subramanian, Raghavendra Addanki, Nikos Vlassis·· 7 天前AI 评分25

COSAC: 序列合作团队中的反事实信用分配框架

COSAC: Counterfactual Credit Assignment in Sequential Cooperative Teams

AI 导读

COSAC 提出了一种无批评者的策略梯度框架,用于序列合作团队的反事实信用分配,通过岭回归分解团队奖励并计算反事实优势。 该方法在共识科学推理上将训练遗憾降低 17%,在 Python 编码上较 MA-GRPO 降低 61%,支持团队规模高达 K=16 的序贯 bandits 测试。 论文即将发表于 NeurIPS 2026,解决了现有无批评者方法中信号耦合队友噪声或方差随团队规模指数增长的问题。

来源:arXiv · ML · arxiv.org