1371 ورقة بحثية
تقترح هذه الورقة إطار عمل لتعلم تعزيزي متعدد الوكلاء غير متزامن، حيث تنسق وكلاء (PPO) مستقلون عبر بيئة موارد مشتركة لتحقيق توجيه شبكات الجيل الخامس (5G) قابل للتوسع، وقوي، ومتخصص يطابق أداء النماذج المركزية المرجعية مع تقليل وقت التدريب بشكل كبير.
تقدم FinEvo صياغة لعبة إيكولوجية (بيئية) تُمذِج الاستراتيجيات المالية كوكلاء متكيفين ومتفاعلين ضمن بيئة سوق ديناميكية، مما ينقل التقييم من الاختبارات الخلفية المعزولة إلى إطار تطوري متعدد الوكلاء يكشف عن السلوكيات الناشئة، والتفاعلات الاستراتيجية، وأنماط المتانة التي لا تظهر في التحليل الاستاتيكي التقليدي.
يُعد A-MapReduce إطار عمل جديداً متعدد الوكلاء يستفيد من نموذج MapReduce لتحويل مهام البحث الواسعة إلى عمليات استرجاع متوازية ذات بنية أفقية، محققاً أداءً فائقاً ومكاسب كفاءة كبيرة مقارنة بالأنظمة الوكيلية المتسلسلة القائمة.
تقترح هذه الورقة PRINCE، وهي آلية حوافز سعرية مبتكرة تنسق بين الأجهزة ذات المصالح الذاتية عبر مستأجرين متعددين للتعلم الاتحادي المنقسم لتنفيذ الضبط الدقيق لنماذج تأسيسية متنوعة بكفاءة عند حافة الشبكة، وذلك عبر الجمع بين التجميع المقاوم للانحياز، وتقييم المساهمة الموجه بالتقارب، وتحسين الاستراتيجية القائم على توازن ستيكلبرج.
تُثبت هذه الورقة أن الأنظمة ذات العميل الواحد التي تمتلك مكتبات مهارات يمكن أن تحل محل الأنظمة متعددة الوكلاء لتقليل التكاليف الحسابية، لكنها تكشف أن أداءها يخضع لانتقال طوري حاد عندما تتجاوز مكتبات المهارات حداً معيناً من السعة الإدراكية مدفوعاً بالالتباس الدلالي، مما يشير إلى أن التنظيم الهرمي ضروري لض قابلية توسع اختيار المهارات.