연구에서는 파라미터화된 액션 강화 학습 환경에서 단일 에이전트 알고리즘의 멀티 에이전트 확장에 대한 비교 연구를 진행했어요.
MAGAC, MASAC, MATQC 알고리즘을 Platform-v0, Goal-v0 벤치마크에서 3, 5, 10 에이전트 구성으로 평가했어요.
연구 결과, 멀티 에이전트 프레임워크는 Greedy Actor-Critic 성능을 향상시켰지만, MASAC와 MATQC는 미미한 개선만 보였고, 5명 이상의 에이전트는 성능 향상 효과가 줄어들면서 계산 비용이 증가했어요.
이 연구는 학습 성능과 계산 효율성 간의 균형을 보여주며, 파라미터화된 액션 강화 학습을 위한 공유 경험 멀티 에이전트 액터-크리틱 방법의 확장성에 대한 통찰력을 제공해요.