完全協調型マルチエージェント強化学習（MARL）の設定では、各エージェントの部分観測性および他のエージェントのポリシーが継続的に変化するため、環境は非常に確率的である。上記の問題に対処するため、本研究では、分布型強化学習（distributional RL）と価値関数因子分解法を統合するための包括的フレームワーク「DFAC」を提案した。このフレームワークは、期待値関数の因子分解手法を一般化し、リターン分布の因子分解を可能にする。DFACの有効性を検証するために、まず確率的報酬を伴う単純な行列ゲームにおいて、価値関数の因子分解が可能であることを示した。さらに、StarCraftマルチエージェントチャレンジのすべての「スーパーハード」マップおよび自ら設計した6つの「ウルトラハード」マップにおいて実験を行い、DFACが多数のベースライン手法を上回る性能を発揮することを確認した。