Autonomous Compute Modulation in MARL

Das Paper präsentiert ETD-MAPPO, eine Methode zur autonomen Anpassung der Berechnungsrate in asynchronem Multi-Agent Reinforcement Learning (MARL). Durch die Interpretation von aleatorischer und epistemischer Unsicherheit können Agenten ihre Ausführungshäufigkeit anpassen. Dies führt zu erheblichen Effizienzgewinnen, insbesondere bei der Reduzierung des Rechenaufwands ohne Leistungseinbußen. Die Arbeit hat langfristige relevante Implikationen für die Optimierung von MARL-Systemen und deren Anwendung in ressourcenbegrenzten Umgebungen.