SIGMA 是一种层次化协作框架，针对噪声观测下的多智能体强化学习进行鲁棒表示学习。首先利用基于密度的分组方法将智能体划分为自适应局部结构，在组内执行共识聚合，以保留共享的任务相关信息并平滑个体表征偏差。随后通过组间注意机制自适应地融合不同组的信息，实现全局协同并容纳各组的异质贡献。实验在 StarCraft II 的噪声观测任务上验证了结构化噪声效应，并表明 SIGMA 在噪声环境下显著提升鲁棒性，同时在无噪声环境中保持竞争性能。
博主点评：该方法通过显式建模噪声的结构化传播，提供了一条在实际噪声环境中提升 MARL 稳定性的可行路径。