本文研究了多方强化学习与人类反馈的方法，探讨了多个个体的多样化偏好，并提出了引入元学习和不同的社会福利函数来聚合多方偏好的方式。研究结果表明，多方强化学习与传统单方强化学习在样本复杂度上存在差异，并凸显了多方强化学习的统计复杂性要求。