Zero-Knowledge MRTA 與 SwarmCF：無通訊下的去中心化低秩協同過濾

重點：無通訊情境下，廣播加上低秩結構讓機器人學會新任務

研究提出 Zero-Knowledge MRTA，一個實務常見但理論上被忽略的場景：機器人團隊沒有任務模型、沒有通訊，也不知道潛在排序；每台機器人只能看到對外廣播的、帶噪且部分遮蔽的隊友結果。論文指出，即便任務遠多於嘗試回合，隱藏的低秩結構仍能關聯誰適合哪類任務。

為此作者設計 SwarmCF：在公共廣播上執行的線上低秩協同過濾，讓每台機器人去中心化地估計未曾嘗試過的任務能力，並能基於這些估計上手新任務。理論分析給出匹配的樣本複雜度界（每機器人 Θ(d) 相較 Θ(n)），並在任務稀缺情境下證明累積報酬存在顯著分離。

實驗面量化廣播的價值，展示隨團隊規模增長每台機器人對未見配對技能的提升，以及在遮蔽與競爭情況下的強韌性。方法在多種設定下回復了大部分集中式全通訊上限的技能（實驗上約達集中式上限的 80%），並在機器人感測實例中表現穩定。

延伸閱讀

• PCAS：以依賴圖與 Datalog 宣告式政策實現確定性授權編譯器
• DIBA：以行為位移揭露 RLVR 下的成員推斷風險
• LaTeXpOsEd：以 LaTeX 源檔、模式比對與大型語言模型評估預印本的資安風險

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。