MOISE+MARL : un cadre organisationnel pour l’explicabilité et le contrôle en apprentissage par renforcement multi-agent

Des agents en apprentissage par renforcement multi-agent peuvent développer des comportements interprétables comme des rôles ou objectifs implicites, suggérant une hypothétique organisation émergente. Afin d’exploiter pleinement cette analogie, nous introduisons MOISE+MARL, un cadre organisationnel qui couple le modèle organisationnel ℳ O I S E + à un modèle Markovien afin d’améliorer le contrôle et l’explicabilité des politiques apprises. MOISE+MARL guide ou contraint les agents selon des rôles et des objectifs en ajustant dynamiquement leurs actions et récompenses, et intègre une méthode d’analyse permettant d’inférer a posteriori des spécifications organisationnelles implicites à partir des trajectoires des agents. MOISE+MARL a été évalué sur quatre environnements et plusieurs algorithmes d’apprentissage par renforcement multi-agent. Les résultats montrent que les politiques des agents convergent plus rapidement, sont plus stables et deviennent plus explicables. La méthode d’analyse est confirmé par la cohérence entre les spécifications organisationnelles définies et celles inférées.

Authors

Institutions

Publication Details

Journal
Revue Ouverte d Intelligence Artificielle
Published
2026-11-20
DOI
https://doi.org/10.5802/roia.106
Primary Topic
Reinforcement Learning in Robotics
Type
article
Field-Weighted Citation Impact
0.00
Controls
|||
ALL TIME
JAN
FEB
MAR
APR
MAY
JUN
JUL
AUG
SEP
OCT
NOV
article

MOISE+MARL : un cadre organisationnel pour l’explicabilité et le contrôle en apprentissage par renforcement multi-agent

Michel Occello, Julien Soulé, Louis-Marie Traonouez, Paul Théron et al.
Revue Ouverte d Intelligence Artificielle
Reinforcement Learning in Robotics
article

MOISE+MARL : un cadre organisationnel pour l’explicabilité et le contrôle en apprentissage par renforcement multi-agent

Michel Occello, Julien Soulé, Louis-Marie Traonouez, Paul Théron, Jean-Paul Jamont
article en

Abstract

Des agents en apprentissage par renforcement multi-agent peuvent développer des comportements interprétables comme des rôles ou objectifs implicites, suggérant une hypothétique organisation émergente. Afin d’exploiter pleinement cette analogie, nous introduisons MOISE+MARL, un cadre organisationnel qui couple le modèle organisationnel ℳ O I S E + à un modèle Markovien afin d’améliorer le contrôle et l’explicabilité des politiques apprises. MOISE+MARL guide ou contraint les agents selon des rôles et des objectifs en ajustant dynamiquement leurs actions et récompenses, et intègre une méthode d’analyse permettant d’inférer a posteriori des spécifications organisationnelles implicites à partir des trajectoires des agents. MOISE+MARL a été évalué sur quatre environnements et plusieurs algorithmes d’apprentissage par renforcement multi-agent. Les résultats montrent que les politiques des agents convergent plus rapidement, sont plus stables et deviennent plus explicables. La méthode d’analyse est confirmé par la cohérence entre les spécifications organisationnelles définies et celles inférées.

Revue Ouverte d Intelligence ArtificielleVol. 7(1-2)
Institut polytechnique de Grenoble (FR), Thales (France) (FR), Laboratoire de Conception et d'Intégration des Systèmes (FR), Université Grenoble Alpes (FR)
Reinforcement Learning in Robotics
AI Navigator

Ask Laika to Summarize, Analyze, and Connect papers live on the map.

Summarize Papers & Methodologies

Extract key findings, datasets, and comparative methods across publications.

Benchmark Rankings & Visual Analytics

Rank top research institutions, authors, funders, topics, and journals by Field-Weighted Citation Impact (FWCI) and paper volume with instant charts.

Connect Distant Disciplines

Bridge topological clusters on the map to find hidden collaborative intersections.

Laika access coming soon
MOISE+MARL : un cadre organisationnel pour l’explicabilité et le contrôle en apprentissage par renforcement multi-agent — Michel Occello, Julien Soulé, et al. · Revue Ouverte d Intelligence Artificielle (2026) | TGRS Research Map | TGRS