MARL：面向连续动作空间的矩嵌入均场多智能体强化学习

该研究针对大规模多智能体强化学习中连续动作空间的均场表示问题，提出 Moment-Embedded Mean-Field Multi-Agent Reinforcement Learning（M3ARL），以多阶矩嵌入表示均场动作，并结合 PPO 构建 M3APPO。基于摘要分析，未取得论文全文。 核心机制：作者指出，现有基于均场理论的 MARL 算法多受限于离散动作空间，传统均场动作表示在连续动作空间中难以良好定义。论文在 Wasserstein space 上分析均场近似并推导 Q-function 的近似形式，再借助 cylindrical function 构造可学习的矩嵌入表示。其方法关注的是如何表示连续动作的群体分布，而非仅将离散动作算法直接用于连续控制。所用矩的阶数、近似成立条件、具体网络结构、损失及 PPO 实现细节尚未验证。 实验与证据：作者报告在连续动作空间的 predator-prey 环境中验证了所提算法的有效性。摘要未提供智能体数量、训练与评估划分、对照基线、评价指标或定量结果，因此不能据此判断收益幅度、规模扩展能力及稳定性；实验协议、消融及统计信息尚未验证。 适用范围：原论文主要研究对象是多智能体连续控制，不是 EEG 解码或 BCI。其机制依赖多智能体交互及连续动作群体的分布表示，摘要没有给出与神经信号任务的具体对应关系，因此目前不据此推断 BCI 有效性，也不提出 EEG 复现实验方案。已有 EEG 相关工作尚未检索确认。若复现原任务，需要进一步核对环境配置、矩嵌入构造、训练设置和实现可获得性。