arXiv 2607.03473v1 · 发布 2026-07-03

MUTE：面向高效多智能体协同的回报保持型通信遗忘方法

MUTE: Return-Preserving Communication Unlearning for Efficient Multi-Agent Coordination

AUTHORS Rui Zuo, Qinwei Huang, Mingyang Li, Zhenhang Zhang, Simon Khan, Qinru Qiu

EVIDENCE 多智能体强化学习协作与通信优化

SCORE 0.8

CATEGORIES TASK mas

PDF ↗ 2607.03473v1.pdf

GENERATED 2026-07-07 06:11:11 UTC

📝 TLDR

在部分可观测的多智能体强化学习中，智能体间通信对协同决策至关重要，但实际带宽限制要求稀疏交互。已有方法多依赖信息论代理指标，与任务真实联合收益目标存在错位。本文提出MUTE框架，将通信压缩重新定义为价值引导的机器遗忘问题，通过注意力机制量化反事实消息价值并系统遗忘低价值传输。理论上给出收益退化的严格上界保证，实验在多种复杂MARL环境中实现80%至90%带宽削减，性能与现有最优方法持平。

🧭 速览

动机

信息论代理指标与任务真实联合收益错位，高信息量消息未必对协作有益。

方法

用注意力估计反事实消息价值，将通信压缩形式化为价值引导的机器遗忘，采用双目标机制同时保持原策略收益。

结果

在多种复杂MARL环境中实现80%至90%带宽削减，性能与SOTA基线相当。

结论

给出理论收益退化上界，为带宽受限的多智能体协作提供新方案。

📊 论文图表(共 13 张)

展开查看 13 张图

TL;DR

MUTE 提出了一个将通信压缩重新定义为"机器遗忘"问题的框架，针对多智能体强化学习中带宽受限场景，先训练无约束专家策略，再通过注意力机制估计反事实消息价值，系统性地遗忘低价值消息传输。理论分析给出了稀疏化导致性能损失的上界，实验在 10 种复杂环境中实现 80%–90% 的带宽削减，同时保持与当前最优基线相当的胜率。

研究背景与动机

在部分可观测的合作型多智能体强化学习（MARL）中，智能体只能基于自身局部观测做出决策，而任务的成功往往需要全局协调。[[CTDE]] 范式，即集中训练、分散执行，已成为该领域的主流框架：训练时允许使用全局状态信息来训练集中的 Critic，从而缓解智能体间credit分配困难的问题；执行时则依赖局部观测做决策。然而，真实部署环境中的通信带宽往往是受限的，智能体无法无限制地交换信息。特别是在战场通信、边缘计算节点协调、无人机集群控制等场景下，稀疏通信不仅是优化目标，更是硬性约束。

如何让智能体学会在保持任务性能的前提下尽可能少地通信，是该领域的核心挑战之一。已有方法大致可分为两类思路。第一类以信息瓶颈为基础，通过最小化观测与消息之间的互信息来压缩通信内容，代表工作如 IMAC。第二类则关注消息与接收方动作之间的关联性，试图最大化两者之间的互信息以保证消息的有效性，NDQ、MAIC、IC3Net 等工作遵循这一路线。还有一类尝试用 Shapley 值来量化每条消息对整体回报的边际贡献，如 SMS 方法，但 Shapley 值的计算开销随智能体数量呈指数增长，不得不依赖采样近似和线性值分解等妥协。

论文的核心洞见在于揭示了上述代理指标的根本性错位：一条消息可能包含大量信息（即与接收方的动作具有很高的互信息），却与任务的联合回报毫无关联甚至有害。举例来说，某个智能体发送了一条关于远处敌人的详细信息，但在当前战术情境下这批敌人根本不会影响己方的行动路线——这条消息信息量丰富，却是无用的噪声。更棘手的是，如果在训练早期就施加通信约束，智能体需要在"学习合作"和"学习沉默"两个目标之间同时挣扎，往往导致两败俱伤。

基于这一诊断，MUTE 提出了一个优雅的重新框架：将通信压缩视为一个机器遗忘问题。也就是说，智能体首先在没有带宽约束的情况下训练出一个"专家策略"，这个策略已经学会了如何充分通信以最大化联合回报；随后，框架从这一已收敛的策略出发，识别并系统性地遗忘那些对回报贡献甚微的消息传输。这种两阶段的设计巧妙地将"学习合作"与"学习沉默"两个目标解耦开来，避免了直接联合优化带来的目标冲突。

方法

MUTE 的形式化建立在 [[Dec-POMDP]] 框架之上。在广播通信协议下，每个智能体 $i$ 根据其局部历史轨迹 $τ^{i}$ 生成消息 $m^{i} = f_{ψ} (τ^{i})$ ，消息随后被广播给所有其他智能体。训练完成后，框架追求在最小化通信开销的同时，将原始联合策略的回报损失控制在可接受的范围内。

反事实消息价值（Counterfactual Message Value, CMV）是方法的核心概念。对于一条消息 $m^{i}$ ，其价值定义为当该消息存在与不存在时，Q 值函数之差：

Δ Q_{i} (τ, m) = Q_{t o t}^{*} (τ, a) - Q_{t o t}^{*} (τ, \tilde{a})

其中 $a \sim π^{*} (\cdot ∣ τ, m)$ 是在消息存在条件下由专家策略采样的联合动作，而 $\tilde{a}$ 是反事实动作——除了智能体 $i$ 的动作保持不变外，其他智能体的动作从消息缺失条件下重新采样。如果 $Δ Q_{i}$ 接近零，说明这条消息在当前上下文中是冗余的；如果绝对值较大，则表明该消息是驱动高回报的关键信号。这一度量直接锚定任务回报，与互信息等统计代理指标形成了本质区别。

然而，直接计算 CMV 需要对每个智能体分别评估缺失其消息后的 Q 值变化，计算复杂度为 $O (N (N - 1))$ ，在智能体数量较多时难以承受。为此，论文设计了消息价值估计器（Message Value Estimator, MVE），这是一个基于[[注意力机制]]的多头自注意力网络，输入为所有智能体消息组成的集合 $m$ ，输出为每个消息的价值估计 $V_{ϕ} (m)_{i}$ 。自注意力的设计自然满足了两个关键需求：置换不变性（消息作为无序集合处理，不依赖固定顺序）和上下文相关性（自动建模多条消息之间的冗余关系）。MVE 通过最小化估计值与真实 CMV 标签之间的均方误差来训练：

L_{M V E} (ϕ) = \frac{1}{N} i = 1 \sum N (V_{ϕ} (m)_{i} - y_{i})^{2}

其中 $y_{i}$ 由 CMV 定义计算得到。

在获得了可靠的消息价值估计后，通信遗忘通过稀疏化损失实现。框架定义冗余消息集合为 $M_{r e d} = {m^{i} ∣ V_{ϕ} (m)_{i} \leq λ μ_{M V E}}$ ，即价值低于阈值的消息，并对这些消息施加 $L_{1}$ 范数惩罚：

L_{s p a r se} (ψ) = m \in M_{r e d} \sum ∥ m ∥_{1}

使用连续 $L_{1}$ 惩罚而非离散的硬掩码，使得优化过程可以动态恢复被压制的消息——这是关键的设计选择，因为消息的价值可能随情境变化而改变。

然而，仅靠稀疏化损失存在一个隐患：如果多条消息携带相似信息，梯度信号可能导致所有消息被共同压制，从而丢失关键通信能力。为防止这种"共同沉默"的策略崩溃，框架引入了行为锚定损失，要求当前策略的个体效用函数与冻结的专家策略保持一致：

L_{an c h or} (θ, ψ) = i = 1 \sum N Q_{i}^{*} (τ^{i}, a^{i}, m^{- i}) - Q_{i} (τ^{i}, a^{i}, m^{- i}; θ)_{2}^{2}

这确保了在遗忘冗余消息的同时，智能体不会偏离专家策略学到的有效合作模式。最终的训练目标是两者的加权组合：

L (θ, ψ) = L_{s p a r se} (ψ) + β L_{an c h or} (θ, ψ)

从理论角度，论文利用 [[Performance Difference Lemma]] 推导了稀疏化所引起的性能损失上界。在假设 MVE 估计误差有界、值函数近似误差可控、以及 Q 函数关于消息嵌入满足 $L$ -平滑的条件下，可以证明：

J (π^{*}) - J (π) \leq \frac{1}{1 - γ} E 2 ϵ + ∣ M_{r e d} ∣ (λ + δ) + L m^{i} \in M_{r e d} \sum ∥ m^{i} ∥_{2}

这一上界将性能损失分解为近似误差项和通信削减项两部分，前者由值函数学习精度决定，后者由被遗忘的消息数量和幅度决定。这为实际应用中超参数的选择提供了理论依据。

整个训练流程分为三个阶段：预训练阶段（约 200 万步）在无通信约束下训练专家策略；MVE 训练阶段（约 50 万步）从回放池采样，估计 CMV 标签并拟合注意力估计器；通信遗忘阶段（约 150 万步）冻结专家 Critic，最小化稀疏化与锚定损失的组合目标。

实验与结果

论文在十种复杂多智能体环境中系统评估了 MUTE 的性能，涵盖精确时间协调任务（Hallway 系列）、多智能体导航与避碰（Traffic Junction 系列）、以及 StarCraft 微管理战斗（SMAC 系列的不同难度地图和 SMACv2 的随机化场景）。

在通信效率维度上，MUTE 展现出卓越的压缩能力。在 Hallway 环境中，通信率从 100% 降至约 1% 时，胜率仍能完美保持 100%；在 Zerg 10v10 这一高对抗性场景中，以约 2% 的通信率反而超越了无约束通信的 MASIA 基线。AUC（胜率-通信率曲线下面积）指标显示，MUTE 在几乎所有环境中都取得了最优的通信-性能权衡，特别是在 MMM2 地图上 AUC 达到 0.808，远超 SMS 的 0.191。

选择性实验通过逐步随机丢弃消息来测试方法的鲁棒性。框架能够准确区分关键消息和冗余消息：即使在 90% 消息被随机丢弃的情况下，MUTE 的胜率衰减幅度仍显著小于基线方法。这一结果表明 CMV 估计确实捕捉到了消息对回报贡献的差异。

消融实验验证了各组件的必要性。移除锚定损失后，胜率从约 95% 暴跌至约 30%，策略完全崩溃，证实了行为锚定在防止共同沉默中的关键作用。移除 MVE 而使用随机剪枝后，胜率跌至约 50%，说明没有准确的价值估计就无法做出合理的通信决策。值得注意的是，使用 $L_{1}$ 范数的稀疏化惩罚在大多数场景下优于 $L_{2}$ 范数，这与稀疏通信追求离散开/关决策的目标一致。

在计算效率方面，MUTE 的训练时间与 MASIA 基线相当（约 8 小时 vs 7.8 小时），明显优于 MAIC 的 15.6 小时。推理阶段的 CMV 评估开销随智能体数线性增长，在 20 个智能体的 Traffic Junction 场景中约为 30 毫秒，这在真实部署中通常是可接受的。

讨论与可借鉴点

MUTE 最有价值的贡献在于视角范式的转换：将通信压缩从"边合作边稀疏化"的联合优化重新定义为"先学会合作，再遗忘冗余通信"的两阶段问题。这种解耦思路有效规避了双目标冲突，在理论和实验上都获得了更清晰的性能保证。CMV 的设计借鉴了 MARL 中反事实优势的思想，但将其应用于通信选择这一新问题，其核心洞察在于：消息的价值不在于它携带了多少信息，而在于它对最终回报的边际贡献。

然而，该方法也存在明显的局限。首先，CMV 仅建模了一阶边际效应，未能捕捉高阶交互——当多条消息组合在一起时才产生价值的情形。这种局限被理论分析中 Taylor 展开项 $L \sum ∥ m^{i} ∥_{2}$ 宽松地补偿，但精度损失仍是实际问题。其次，三阶段训练流程意味着必须先有一个充分收敛的无约束专家策略，这限制了方法在训练早期快速节省带宽的场景适用性——当预训练步数少于 100 万时，遗忘效果会显著恶化。此外，在 SMACv2 的高随机性场景中，MUTE 的最终性能未能超越部分通信基线，可能的原因是随机化降低了通信的必要性，使得过度压缩反而损害了泛化能力。

从更广泛的角度看，MUTE 的代理指标设计思路对相关领域具有借鉴意义：在设计压缩目标时，应始终追问"我们真正优化的是什么"，而非停留在"什么是容易度量的"。信息论指标如互信息在通信理论中地位重要，但它们与任务目标之间可能存在根本性的目标错位——这一教训同样适用于模型蒸馏、特征选择等其他压缩场景。论文关于反事实价值量化的技术方案（注意力机制 + 行为锚定）也为处理"高价值但低统计相关性"信号的选择性问题提供了参考模板。

摘要

在部分可观测条件下，智能体间的通信对于协调多智能体强化学习（MARL）智能体以在协作游戏中取得良好表现至关重要；然而现实世界中的带宽限制要求智能体之间进行稀疏交互。现有方法主要通过优化信息论代理指标来应对这一权衡。本文认为，这类统计代理指标与真实目标存在根本性的偏差：一条消息可能信息量极大，却与任务的联合回报无关。本研究提出了面向目标高效性的消息遗忘框架（MUTE），将通信削减视为一个由价值引导的机器遗忘问题。MUTE 通过基于注意力机制的价值估计器严格量化反事实消息价值，并系统性地从无任何通信约束训练得到的策略中遗忘低价值消息的传输。该框架通过一种双重目标机制实现，在保证原始联合策略回报的同时强制通信稀疏性。本文推导了由此稀疏化所引起的性能差距的理论上界，从而保证了回报退化的可控性。此外，本文在多种复杂多智能体环境中对 MUTE 进行了实证评估，结果显示在保持与当前最优基线方法相当性能的同时，实现了 80% 至 90% 的带宽削减。

Abstract

Inter-agent communication is critical for coordinating Multi-Agent Reinforcement Learning (MARL) agents under partial observability to perform effectively in cooperative games; however, real-world bandwidth constraints demand sparse interactions. Prior approaches primarily address this trade-off by optimizing information-theoretic surrogates. We argue that these statistical proxies are fundamentally misaligned with the true objective: a message can be highly informative yet irrelevant to the joint return of the task. In this work, we propose Message Unlearning for Targeted Efficiency (MUTE), a framework that views communication reduction as a value-guided machine unlearning problem. MUTE rigorously quantifies the Counterfactual Message Value using an attention-based estimator, and systematically unlearns the transmission of low-value messages from a policy trained without any communication constraints. This is achieved through a dual-objective mechanism that enforces communication sparsity while preserving the return of the original joint policy. We derive a theoretical upper bound on the performance gap induced by this sparsification, guaranteeing controlled return degradation. We also empirically evaluate MUTE on various complex multi-agent environments, achieving 80% to 90% bandwidth reduction while maintaining performance comparable to state-of-the-art baselines.

论文详细总结（自动生成）

MUTE 论文总结

1. 核心问题与研究动机

在部分可观测的合作型多智能体强化学习（MARL）场景中，智能体之间通过通信共享信息以弥补局部观测的不足、稳定训练并提升联合回报。CTDE（集中训练、分散执行）已成为主流范式，然而现实部署中带宽资源有限，需要智能体尽量稀疏地通信。

现有通信压缩方法多采用信息论代理目标：

IMAC：基于信息瓶颈最小化观测与消息间的互信息；
NDQ / MAIC：最大化消息与接收方动作之间的互信息；
IC3Net：通过门控机制选择性屏蔽通信；
SMS：用 Shapley 值估计消息对回报的边际贡献，但计算开销呈指数级，需依赖采样近似和线性值分解。

论文指出这些代理指标存在目标错位：一条消息可能与接收方动作具有高互信息（即"高度信息性"），却与任务联合回报无关甚至有害（例如误导性消息导致次优动作并降低回报）。同时，先验实验表明在训练阶段硬性压缩通信带宽会显著牺牲任务性能（图 1）。

因此，本文重新提出：通信压缩应被视为在已经训练好的"无带宽受限专家策略"基础上，识别并遗忘冗余消息的"机器遗忘"问题，以保持原策略的联合回报。

2. 方法论

2.1 问题形式化

基于 Dec-POMDP $⟨ N, S, A, P, r, Ω, O, γ, M ⟩$ 。在广播协议下，智能体 $i$ 根据局部轨迹 $τ^{i}$ 生成消息：

m^{i} = f_{ψ} (τ^{i})

目标为在最小化通信开销的同时严格限制回报损失：

π min E [t = 0 \sum T i = 1 \sum N C (m_{t}^{i})], s.t. J (π^{*}) - J (π) \leq ϵ

其中 $π^{*}$ 是基于收敛后的集中式 critic $Q_{t o t}^{*}$ 的贪心策略， $C (\cdot) \geq 0$ 为消息代价。

2.2 反事实消息价值（CMV）

定义 4.1：消息 $m^{i}$ 的反事实价值定义为：

Δ Q_{i} (τ, m) = Q_{t o t}^{*} (τ, a) - Q_{t o t}^{*} (τ, \tilde{a})

其中 $a \sim π^{*} (\cdot ∣ τ, m)$ 为真实联合动作，反事实动作 $\tilde{a} = (a^{i}, \tilde{a}^{- i})$ ， $\tilde{a}^{- i} \sim π_{- i}^{*} (\cdot ∣ τ^{- i}, m ∖ {m^{i}})$ 。

若 $Δ Q_{i} \approx 0$ ，则该消息在当前上下文中是冗余的；若较大则为回报关键信号。

直接计算需要 $O (N (N - 1))$ 次 critic 前向传播，效率低下。

2.3 消息价值估计器（MVE）

为提高效率，采用基于多头自注意力的 MVE $V_{ϕ} : M \to R^{N}$ ，满足：

置换不变性：消息作为无序集合处理；
上下文相关：自动考虑多消息间的冗余。

损失函数为：

L_{M V E} (ϕ) = \frac{1}{N} i = 1 \sum N (V_{ϕ} (m)_{i} - y_{i})^{2}

目标 $y_{i}$ 由式 (3) 计算。附录 G 的消融表明，输入额外全局状态并不能提升性能，故 MVE 仅以消息为输入。

2.4 通信遗忘

（1）稀疏化损失：对冗余消息集合施加 $L_{1}$ 压力：

L_{s p a r se} (ψ) = m \in M_{r e d} \sum ∥ m ∥_{1}, M_{r e d} = {m^{i} ∣ V_{ϕ} (m)_{i} \leq λ μ_{M V E}}

采用连续 $L_{1}$ 惩罚而非硬掩码，使优化可动态恢复被压制的消息。

（2）行为锚定损失：保留个体效用函数相对于冻结专家策略 $Q_{i}^{*}$ 的一致性：

L_{an c h or} (θ, ψ) = i = 1 \sum N Q_{i}^{*} (τ^{i}, a^{i}, m^{- i}) - Q_{i} (τ^{i}, a^{i}, m^{- i}; θ)_{2}^{2}

（3）总目标：

L (θ, ψ) = L_{s p a r se} (ψ) + β L_{an c h or} (θ, ψ)

附录 F 论证了当两条消息携带相同信息时，联合目标会自然收敛到"保留其中一条"的均衡态，避免共同抑制关键信息。

2.5 理论性能上界

定理 4.2：在假设 $V_{ϕ}$ 误差 $∣Δ V ∣ \leq δ$ 、值函数近似误差 $∥ Q_{t o t}^{*} - Q_{t o t} ∥ \leq ϵ$ 、且 $Q_{t o t}^{*}$ 关于消息嵌入 $L$ -平滑的条件下：

J (π^{*}) - J (π) \leq \frac{1}{1 - γ} E 2 ϵ + ∣ M_{r e d} ∣ (λ + δ) + L m^{i} \in M_{r e d} \sum ∥ m^{i} ∥_{2}

证明基于 Performance Difference Lemma（Kakade & Langford, 2002），将差距分解为 (A) 信息损失与 (B) 近似误差，并通过 Taylor 展开把交互项 $I (M_{r e d})$ 限制在 $\leq L \sum ∥ m^{i} ∥_{2}$ 。

2.6 训练流程（三阶段）

1. 预训练（2M 步）：以 MASIA 为骨干，无通信约束地训练专家策略；

2. MVE 训练（0.5M 步）：从回放池采样，按算法 1 估计 CMV 标签并拟合注意力 MVE；

3. 通信遗忘（1.5M 步）：冻结专家 $Q_{i}^{*}$ ，最小化 $L (θ, ψ)$ 。

3. 实验设计

3.1 测试基准

Hallway / Hallway-Group：精确时间协调的多走廊同步到达任务；
Traffic Junction (TJ) / TJ Hard：车辆避碰与路权协商；
SMAC：MMM2、Corridor 等异构单位协作战斗；
SMAC-Communication：1o_10b_vs_1r、1o_2r_vs_4r 等；
SMACv2：Terran 10v10、Zerg 10v10，含随机起始位置与单位构成。

3.2 对比基线

无通信：QMIX、MAPPO；
无限制通信：MASIA；
信息论：NDQ、IMAC；
门控：IC3Net；
注意力：TarMAC、MAIC；
Shapley：SMS。

全部基线使用原始实现训练 4M 步以保证收敛。所有结果以 5 个随机种子、95% 置信区间报告。

3.3 关键实验维度

RQ1 通信效率：测试胜率 vs. 通信率；
RQ2 选择性：在 10%–100% 消息随机丢弃率下测试胜率衰减，计算 AUC；
RQ3 消融：w/o Anchoring、w/o MVE；
附录扩展： $λ$ 、 $β$ 、 $L_{1} / L_{2}$ 范数、超参、预算分配、状态感知 MVE、可扩展性、与"学空消息"基线对比、归一化性能-通信权衡图等。

4. 资源与算力

论文未在正文给出 GPU 型号/数量，仅在附录 K 提到所有计算性能剖析实验在 NVIDIA L40S GPU 上进行；
训练时长（SMAC 1o_10b_vs_1r 上的实证，L40S GPU）：MUTE 总时长约 8.09 ± 0.88 小时，与 MASIA（7.82h）、SMS（8.45h）相当，明显优于 MAIC（15.6h）；
参数量约 185K，推理 FLOPs 约 1.55M；
CMV 评估成本随智能体数 $N$ 增长： $N = 2$ 时 3.08 ms， $N = 20$ 时 30.47 ms（traffic_junction）；
总训练预算固定为 4M 环境步，三阶段分配（2M / 0.5M / 1.5M）。

5. 实验数量与充分性

实验规模较大：在 10 个不同基准环境（涵盖离散导航、交通调度、StarCraft 战斗、随机化生成任务）上系统评估；
基线比较充分：覆盖 8 种通信 / 无通信方法；
消融较为完整：组件消融（MVE、Anchoring）、范数选择（ $L_{1}$ / $L_{2}$ ）、 $λ$ 与 $β$ 的超参扫描、训练预算敏感性、状态感知变体、与学空消息/gate 机制的对比；
鲁棒性测试：消息丢弃率扫描（10%–100%）+ AUC 量化；
公平性：所有方法使用相同 4M 步预算，统一 5 个随机种子与 95% 置信区间；
理论验证：附录 I 报告了 $ϵ$ 、 $δ$ 的经验值（ $∥ Q_{t o t}^{*} - Q_{t o t} ∥_{\infty}$ 在 0.15–0.48 范围内），验证假设成立。

整体实验在覆盖广度、统计严谨性、可复现性方面表现充分。

6. 主要结论与发现

MUTE 在 10 个环境中均取得 最高 AUC（通信鲁棒性最好），例如 MMM2 上 AUC = 0.808，远超 SMS (0.191)；
在 Hallway 中通信率从 100% 降至约 1%，胜率保持 100%；在 Zerg 10v10 中以约 2% 通信率反超 MASIA 的胜率；
双重目标机制有效：移除 Anchoring 会导致胜率从 ~95% 暴跌至 ~30%（策略崩溃）；移除 MVE 会导致胜率从 ~80% 跌至 ~50%（随机剪枝破坏关键信息）；
经验上 $ϵ$ 、 $δ$ 均被有效约束在较小范围，定理 4.2 的假设具有可操作性；
信息论代理与互信息目标并非衡量"消息是否必要"的恰当标准，回报驱动的反事实价值更具针对性。

7. 优点

视角新颖：把通信压缩重新定义为"机器遗忘"，与此前"边训练边稀疏化"路线形成对比，避免了边学合作边学沉默的双目标冲突；
CMV 设计巧妙：受 COMA 反事实优势启发，借鉴 Shapley 思想但避免指数复杂度，单次前向即可估计所有消息边际价值；
理论保证：在标准假设下给出显式性能差距上界；
算法即插即用：仅在 MASIA 框架上加入线性消息生成器与 MVE，无需修改核心 critic；
消融与可解释性强：逐组件、超参、范数选择、预算分配均有详细实验；
实验覆盖广：10 个异构基准 + 8 类基线 + 多种鲁棒性维度。

8. 不足与局限

CMV 仅一阶：不显式枚举所有消息子集，无法捕捉高阶交互（论文作者在局限章节明确承认），交互误差通过 Taylor 展开的 $L \sum ∥ m^{i} ∥_{2}$ 项宽松地补偿；
依赖冻结专家：三阶段流水线需先训练好无约束策略，若专家本身未充分收敛则 unlearning 会失败（附录 M 显示预训练 < 1M 时性能崩溃），这限制了在训练早期快速节省带宽的场景；
理论假设较强： $L$ -平滑与有界 $ϵ$ 、 $δ$ 假设在实践中需要保证；论文仅在 SMAC 系列环境验证，并非普遍成立；
SMACv2 表现一般：Terran 10v10 上最终性能低于部分通信基线，作者将此归因于 SMACv2 的随机性降低了对通信的依赖，但客观上 MUTE 在该场景的相对优势较弱；
广播协议局限：方法仅在广播通信下设计，对有向/选择性通信（如 T2MAC）的迁移性未论证；
算力细节不全：正文未披露 GPU 型号与数量，仅附录 K 给出 L40S 单卡的时间数据；
可扩展性边界：当消息维度 $d_{m s g} = 64$ 或智能体数 $N = 20$ 时胜率明显下降，反映 CMV 估计在高维/大规模场景下仍存在精度问题；
基线范围：未纳入近期一些针对奖励稀疏与通信效率的 ResCom、DOP 等工作。

（完）

✨ 编译论文

点「✨ 编译」开始,LLM 会按 Polaris 风格翻译并把图片/表格嵌到对应位置。结果存到浏览器 localStorage,下次访问自动加载。