Christopher Amato

Explorando métodos recientes y desafíos en el aprendizaje por refuerzo multiengente.

Este trabajo destaca los riesgos de seguridad en RL y presenta SleeperNets para ataques de puerta trasera.

Una mirada profunda a las implicaciones de los críticos centralizados en MARL.

DuelMIX mejora la cooperación entre agentes en entornos de aprendizaje por refuerzo multi-agente.

Una visión general de los métodos CTDE en el aprendizaje reforzado multi-agente.