확산 기반 계획 (Diffusion-based planning)은 단일 에이전트 오프라인 강화학습 (Offline Reinforcement Learning)에서 강력한 결과를 달성했지만, 결합 궤적 공간 (Joint trajectory space)에서의 차원의 저주로 인해 다중 에이전트 시스템 (Many-agent systems)으로 확장하는 것은 여전히 다루기 어려운 과제로 남아 있습니다. 우리는 궤적 계획을 궤적 분포의 와세르슈타인 공간 (Wasserstein space)으로 격상시키는 프레임워크인 MF-Diffuser를 소개합니다. 이 공간에서는 혼돈의 전파 (Propagation of chaos)를 통해 소수의 대표적인 에이전트 부분 집합이 전체 인구 역학 (Population dynamics)을 포착할 수 있습니다. 우리의 접근 방식은 생성적 충실도 (Generative fidelity)와 보상 극대화 (Return maximization)를 조화시키는 가치 가중 혼돈 엔트로피 (Value-weighted chaotic entropy) 목적 함수와, 노이즈 제거 (Denoising) 과정 동안 에이전트 인구수를 점진적으로 늘리는 계층적 coarse-to-fine 전략을 특징으로 합니다. 우리는 네 가지 해석 가능한 항을 통해 엔드투엔드 하위 최적성 경계 (End-to-end suboptimality bounds)를 설정하며, 이를 통해 평균장 근사 오차 (Mean-field approximation error)는 $O(H^2/\sqrt{N})$로 확장되는 반면, 오프라인 분포 변화 (Offline distribution shift)는 인구 규모 $N$에 따라 증가하지 않음을 증명합니다. 또한 생성된 정책이 명시적인 수렴 보장과 함께 근사적 평균장 내시 균형 (Approximate mean-field Nash equilibrium)임을 증명합니다. 스테이지 게임 (Stage games), 순차적 역학 (Sequential dynamics), 적대적 팀 경쟁 (Adversarial team competition)을 아우르는 세 가지 평균장 RL 벤치마크에서의 실험 결과, MF-Diffuser는 대부분의 설정에서 최고의 보상을 달성하였으며, 특히 하위 최적 오프라인 데이터 (Suboptimal offline data)와 극한 규모($N \geq 10^3$)에서 가장 큰 이득을 보였습니다.