Explainable graph-based meta-reinforcement learning for cognitive UAV swarms under partial observability and adaptive jamming
Este artigo apresenta o XM-MADRL, um framework de aprendizado por reforço meta baseado em grafos e explicável para enxames de UAVs que demonstra ganhos significativos de desempenho na entrega de pacotes e nas capacidades de anti-interferência especificamente sob observabilidade parcial e interferência adaptativa, ao mesmo tempo em que revela que seus componentes de coordenação e meta-adaptação não oferecem benefício contra interferidores previsíveis ou observabilidade total.