Mental-Models for Multi-Agent Systems

مسئله

تصمیم‌گیری چندایجنتی مستحکم نیاز دارد ایجنت درباره‌ی این‌که دیگران چه می‌دانند، چه قصدی دارند و احتمالاً چه می‌کنند استدلال کند، آن هم با مشاهده‌ی ناقص. سیستم‌های ایجنتی فعلی بیشتر با طراحی پرامپت، حافظه یا شکل‌دهی رفتاری سرتاسری کار می‌کنند و معمولاً بازنمایی صریحی از وضعیت طرف مقابل یاد نمی‌گیرند که بتوان آن را به عنوان متغیر تصمیم در تسک‌های مختلف دوباره به کار برد.

روش

چارچوب «ایجنت‌های دارای مدل ذهنی» به ایجنت یک مدل ذهنی پنهان از طرف مقابل می‌دهد تا باورها، نیت‌ها و واکنش‌های محتمل او را از تاریخچه‌ی مشاهده‌شده استنتاج کند. یک بازنمایی بازگشتی نظریه‌ی ذهن با ساختار مرتبه‌ی اول و دوم، همراه با یک مدل پاداش مشروط به باور یاد گرفته می‌شود که اقدام‌های نامزد را نسبت به وضعیت استنتاج‌شده‌ی طرف مقابل ارزیابی می‌کند. سپس سیاستی زیر این سیگنال آموزش می‌بیند که در زمان اجرا مستقل عمل می‌کند.

یافته‌ها

• همین چارچوب روی بنچمارک‌های فقط زبانی و چندوجهی ارزیابی شد و مدل‌سازی صریح وضعیت ذهنی در همه‌ی این تنظیم‌ها کیفیت تعامل و کارایی نظریه‌ی ذهن را نسبت به سیستم‌های ایجنتی پایه بهتر کرد.
• انتقال بدون آموزش به FANToM شاهد اولیه‌ای برای تنظیم‌های چندنفره داد.

محدودیت‌ها

نویسنده‌ها می‌گویند محیط‌های آموزش عمدتاً دونفره‌اند و آموزش سرتاسری چندنفره، گسترش به محیط‌های بدن‌مند و رباتیک، مدل‌های بزرگ‌تر و ارزیابی با انسان کار آینده است.