この研究では、MAC-Flowというマルチエージェントの調整のためのシンプルで表現力豊かなフレームワークを提案しています。効果的な調整には、オフラインデータに存在する多様な共同行動の豊かな表現と、リアルタイムで効率的に行動する能力が必要だと主張しています。しかし、従来のアプローチでは、これらのどちらかが犠牲にされることが多く、例えば、デノイジング拡散に基づく解法は複雑な調整を捕捉しますが計算が遅く、ガウス方策に基づく解法は速いもののマルチエージェント相互作用に対して脆弱です。MAC-Flowはまず共同行動のフローベースの表現を学習し、その後それを分散型のワンステップ方策に蒸留することで、調整を維持しつつ迅速な実行を可能にしています。計4つの異なるベンチマークで、MAC-Flowはパフォーマンスと計算コストのトレードオフを軽減し、拡散に基づく多エージェント強化学習法と比較して約14.5倍速い推論を実現しながら、良好なパフォーマンスを維持しています。