다중 에이전트 목표 인식 (Multi-agent goal recognition)은 관찰자가 어떤 에이전트들이 함께 행동하는지, 그리고 각 팀이 무엇을 달성하려고 하는지를 공동으로 추론할 것을 요구하며, 이에 따라 가설 공간은 팀 분할(team partitions)의 수와 팀당 목표의 수에 따라 조합론적으로 증가합니다. 드론 감시나 협업 로보틱스와 같은 실제 응용 분야에서는 에이전트의 궤적(trajectory)만을 노출하므로, 관찰자는 오직 행동만으로 팀-목표 가설의 순위를 매겨야 합니다. 분기 한정법을 이용한 다중 에이전트 목표 인식 (Multi-Agent Goal Recognition with Branch-and-Bound, MAGR-BB)은 인수분해된 분기 한정법 (factorized branch-and-bound) 탐색 내부에서 점수 산정 모델로 사용되는 공유된 팀 및 목표 조건부 정책 (team- and goal-conditioned policy)을 통해 이 설정을 해결합니다. 통제된 다중 에이전트 Blocksworld 벤치마크에서 MAGR-BB는 가설 구체화(hypothesis materialization)를 수십 배 줄이고 누적 인식 실행 시간을 실질적으로 단축하면서도, 궤적 전체에 걸쳐 전수 조사 (exhaustive search)와 동일한 최상위 순위 가설을 반환합니다.