ملٹی ایجنٹ کمک سیکھنے کا کوئز

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

1. کیا چیز MARL میں ایک ایجنٹ کے نقطہ نظر سے ماحول کو 'نان سٹیشنری' بناتی ہے؟
   • دوسرے ایجنٹ بیک وقت سیکھ رہے ہیں اور اپنی پالیسیاں بدل رہے ہیں۔
   • انعام کا فنکشن تصادفی طور پر ہر ایپیسوڈ کو دوبارہ ترتیب دیا جاتا ہے۔
   • ریاست کی جگہ وقت کے ساتھ پابند کیے بغیر بڑھتی ہے۔
   • سینسر شور والے مشاہدات واپس کرتے ہیں۔
2. 'مرکزی تربیت کے ساتھ وکندریقرت عمل درآمد' (CTDE) کا کیا مطلب ہے؟
   • ایجنٹوں کو تربیت دی جاتی ہے اور ایک واحد مرکزی سرور پر چلایا جاتا ہے۔
   • ایک مشترکہ نقاد تربیت کے دوران عالمی معلومات کا استعمال کرتا ہے، لیکن ایجنٹ تعیناتی کے وقت مقامی مشاہدات پر عمل کرتے ہیں۔
   • ایک ماسٹر ایجنٹ رن ٹائم کے وقت باقی سب کو کمانڈ جاری کرتا ہے۔
   • تربیت کا ڈیٹا مرکزی ہے لیکن انعامات وکندریقرت ہیں۔
3. کون سا ریاضیاتی فریم ورک سنگل ایجنٹ MDP کو ایک سے زیادہ ایجنٹوں پر عام کرتا ہے؟
   • ایک لکیری پروگرام
   • ایک پوشیدہ مارکوف ماڈل
   • مارکوف گیم (اسٹاکسٹک گیم)
   • ایک محدود ریاست کا آٹومیٹن
4. مکمل طور پر کوآپریٹو MARL کی ترتیب میں، انعام کو عام طور پر کیسے بنایا جاتا ہے؟
   • ہر ایجنٹ ایک انعام کو زیادہ سے زیادہ کرتا ہے جو دوسرے کے منفی ہوتا ہے۔
   • صرف تیز ترین ایجنٹ کو کوئی انعام ملتا ہے۔
   • انعامات ہر قدم پر تصادفی طور پر تفویض کیے جاتے ہیں۔
   • ایجنٹ ایک مشترکہ ٹیم کے انعام کا اشتراک کرتے ہیں جو وہ مشترکہ طور پر زیادہ سے زیادہ کرتے ہیں۔
5. Which training approach did OpenAI Five use to improve at Dota 2?
   • Self-play against copies of its own current and past policies
   • A fixed lookup table of human moves
   • A supervised-only classifier trained on image labels
   • A single policy trained only against a static scripted opponent
6. کوآپریٹو MARL میں 'کریڈٹ اسائنمنٹ' خاص طور پر مشکل کیوں ہے؟
   • انعامات فوری طور پر پہنچ جاتے ہیں اور ٹریس کرنا آسان ہے۔
   • اس بات کا تعین کرنا مشکل ہے کہ مشترکہ ٹیم کے نتائج میں کون سے ایجنٹ کے اعمال نے تعاون کیا۔
   • انعام حاصل کرنے والا صرف ایک ہی ایجنٹ ہے۔
   • ایجنٹ کسی بھی انعام کا مشاہدہ نہیں کر سکتے
7. What structural constraint does QMIX place on its mixing network?
   • It must be a linear sum with fixed weights
   • It ignores all individual agent values
   • The joint action-value is monotonic in each agent’s individual value
   • It requires communication at every action step
8. How does Value Decomposition Networks (VDN) form the team action-value?
   • By multiplying all rewards by the number of agents
   • By selecting the largest local reward only
   • By training a separate team for each agent
   • By summing the individual agents’ action-values