在合作多智能体强化学习（MARL）中，协调图是一个核心抽象。然而，现有的稀疏图学习者缺乏理论基础来决定哪些边应该存在，以及每条边应该承载多少信息。目前的方法依赖于启发式标准，未能对学习到的拓扑结构提供正式保证，也没有原则性的方式来为结构不同的智能体关系分配不同的通信能力。
为了解决这个问题，我们提出了异构信息瓶颈协调图（HIBCG），它学习一个群体感知的稀疏图，其中边的存在性和消息容量都有理论依据。HIBCG利用图信息瓶颈（GIB）作为基础工具，首先构建一个群体对齐的块对角先验，提供了一个闭式形式的边保留标准，从而确定哪些边应该存在以及每个组块的密度。然后，HIBCG在所得到的拓扑结构上控制每个智能体的特征带宽，压缩消息以保留仅与任务相关的内容。
我们证明了群体对齐的先验严格收紧了拓扑学习的变分界限，目标函数按组块分解，促进了边的差异化控制，且容量分配遵循水位填充原则。
博主点评： HIBCG的提出为多智能体系统中的通信效率提供了理论支持，显著提升了智能体之间的协作能力。通过有效的边控制与信息压缩，HIBCG不仅优化了信息流动，还为未来的MARL研究提供了新的方向。其理论严谨性和实用性兼具，值得深入研究与应用。