置換ロバスト性だけでは不十分：マルチエージェントTransformer方策における行動崩壊

Transformer policies を multi-agent robot learning に用いると self-attention で agent 間相互作用をモデル化できるが、multi-agent team は unordered である一方 transformer は agent を ordered token sequence として扱う。本研究はこの不一致が cooperative navigation policies に与える影響を agent-order permutations 下で調べる。低い permutation error だけでは不十分で、全 agent が同じ action を選ぶ action collapse により robust に見える可能性を示す。

従来は permutation robustness（permutation error など）で評価されがちだが、本研究はそれが misleading になり得ると指摘。permutation-consistency metrics に加え action-collapse diagnostics（action diversity, same-action fraction, maximum action frequency）を導入。PPO-ID baseline は non-collapsed だが order-sensitive、強い equivariance regularization は homogeneous behavior を誘発し得ることを示す。

multi-agent transformer policies を agent-order permutations 下で評価。permutation-consistency metrics と action-collapse diagnostics（action diversity, same-action fraction, maximum action frequency）を併用。PPO-ID baseline と equivariance regularization の強弱を比較し、N=3 と N=4 の team で regularization weight の影響を検討。

cooperative navigation policies を対象に、agent-order permutations 下で評価。PPO-ID baseline は non-collapsed だが order-sensitive、強い equivariance regularization は homogeneous behavior を誘発。弱い equivariance penalty は N=3 で robustness を改善しつつ多様な action を保持、N=4 ではより小さい regularization weight が必要と報告。

multi-agent transformer policies は return と permutation robustness だけでなく、non-collapsed で differentiated な multi-agent behavior を維持しているかでも評価すべきと提言。低 permutation error が action collapse により生じ得る点が議論の中心。

要旨で参照/比較されている PPO-ID baseline と equivariance regularization に関する研究。関連手法として multi-agent transformer policies、permutation robustness、action collapse を扱う文献が次に読むべき候補。