# 离线多智能体强化学习

该工作指出标准流式教师在训练时独立配对噪声与回放目标，会让相邻噪声被路由到冲突的协调模式，从而在模式之间产生无效样本并经蒸馏损失传播给学生；为此提出 MoSDOT，将多模态回放归纳为带指定容量的有限模式支撑，并用条件半离散最优传输在教师训练前把每个噪声样本分配到单一模式，在受控诊断与离线 MARL 基准上改善了端点质量与路由一致性，并另设共享随机性变体以暴露严格乘积执行固有的残余差距。

该工作指出标准流式教师在训练时独立配对噪声与回放目标，会让相邻噪声被路由到冲突的协调模式，从而在模式之间产生无效样本并经蒸馏损失传播给学生；为此提出 MoSDOT，将多模态回放归纳为带指定容量的有限模式支撑，并用条件半离散最优传输在教师训练前把每个噪声样本分配到单一模式，在受控诊断与离线 MARL 基准上改善了端点质量与路由一致性，并另设共享随机性变体以暴露严格乘积执行固有的残余差距。

该工作提出 SCOUT，一个离线多智能体强化学习框架：它分别训练流匹配行为先验与分解式价值函数，在测试时用 Stein 变分梯度下降把行为样本输运到高价值区域，并以输运步数替代固定正则系数；在个体-全局-最大（IGM）原则下证明了联合软价值差的单项 KL 界随输运收敛而消失、并留有与 IGM 违背成正比的不可约加性残差；实验上在离散与连续离线 MARL 基准上取得最佳平均性能，并在所有离线到在线配置中都有提升。

该工作提出 SCOUT，一个离线多智能体强化学习框架：它分别训练流匹配行为先验与分解式价值函数，在测试时用 Stein 变分梯度下降把行为样本输运到高价值区域，并以输运步数替代固定正则系数；在个体-全局-最大（IGM）原则下证明了联合软价值差的单项 KL 界随输运收敛而消失、并留有与 IGM 违背成正比的不可约加性残差；实验上在离散与连续离线 MARL 基准上取得最佳平均性能，并在所有离线到在线配置中都有提升。