ترجمه فارسی مقاله Hokoff: مجموعه داده واقعی بازی از Honor of Kings و معیارهای یادگیری تقویتی آفلاین آن

چکیده

The advancement of Offline Reinforcement Learning (RL) and Offline Multi-Agent Reinforcement Learning (MARL) critically depends on the availability of high-quality, pre-collected offline datasets that represent real-world complexities and practical applications. However, existing datasets often fall short in their simplicity and lack of realism. To address this gap, we propose Hokoff, a comprehensive set of pre-collected datasets that covers both offline RL and offline MARL, accompanied by a robust framework, to facilitate further research. This data is derived from Honor of Kings, a recognized Multiplayer Online Battle Arena (MOBA) game known for its intricate nature, closely resembling real-life situations. Utilizing this framework, we benchmark a variety of offline RL and offline MARL algorithms. We also introduce a novel baseline algorithm tailored for the inherent hierarchical action space of the game. We reveal the incompetency of current offline RL approaches in handling task complexity, generalization and multi-task learning.

چکیده به فارسی (ترجمه ماشینی)

پیشرفت یادگیری تقویت آفلاین (RL) و یادگیری تقویت کننده چند عامل آفلاین (MARL) به طور جدی به در دسترس بودن مجموعه داده های آفلاین با کیفیت بالا و از پیش جمع آوری شده که نشان دهنده پیچیدگی های دنیای واقعی و کاربردهای عملی است ، بستگی دارد.با این حال ، مجموعه داده های موجود غالباً در سادگی و عدم واقع گرایی خود کوتاه می شوند.برای پرداختن به این شکاف ، ما هوکوف را پیشنهاد می کنیم ، مجموعه ای جامع از مجموعه داده های از پیش جمع آوری شده که هم RL آفلاین و هم مارل آفلاین را همراه با یک چارچوب قوی پوشش می دهد تا تحقیقات بیشتر را تسهیل کند.این داده ها از افتخار پادشاهان ، یک بازی چند نفره شناخته شده آنلاین Battle Arena (MOBA) شناخته شده است که به دلیل ماهیت پیچیده آن شناخته شده است ، که از نزدیک به موقعیت های واقعی زندگی شبیه است.با استفاده از این چارچوب ، ما انواع الگوریتم های آفلاین RL و آفلاین مارل را معیار می کنیم.ما همچنین یک الگوریتم پایه جدید را متناسب با فضای اکشن سلسله مراتبی ذاتی بازی معرفی می کنیم.ما ناسازگاری رویکردهای RL آفلاین فعلی در رسیدگی به پیچیدگی کار ، تعمیم و یادگیری چند کار را نشان می دهیم.