121 Arbeiten
Diese Arbeit stellt XR-DT vor, ein Framework für Extended Reality und Digital Twins, das eine menschenbewusste Modellprädiktive Pfadintegral-Steuerung (HA-MPPI) mit einem Transformer-basierten Vorhersagemodell kombiniert, um sichere und effiziente Navigation von mobilen Robotern in gemeinsamen Arbeitsräumen zu ermöglichen.
Diese Arbeit untersucht die kumulative Privatsphärenverletzung in sequenziellen Multi-Agenten-LLM-Systemen, leitet theoretische Grenzen für die Informationsleckage ab und schlägt ein regularisiertes Trainingsframework vor, das Privatsphäre als systemweite Eigenschaft sicherstellt, anstatt sich nur auf lokale Einschränkungen zu verlassen.
Die Studie stellt RACAS vor, ein roboteragnostisches Agentic-System, das mittels natürlicher Sprache und großer Sprachmodelle diverse Roboterplattformen ohne Anpassung des Quellcodes steuern kann und so die Hürden für die Prototypenentwicklung senkt.
Diese Studie zeigt, dass herkömmliche, zeitunabhängige Leistungsmetriken in Multi-Agenten-Szenarien koordinierte Verhaltensmuster wie Turn-taking oft übersehen, und führt daher neue, zeitlich sensitive Alternationsmetriken ein, die offenbaren, dass selbst lernbasierte Strategien trotz hoher aggregierter Belohnungen signifikant schlechter koordinieren als zufällige Baselines.
Diese Studie analysiert die interne Repräsentation von Vertrauen im Modell EleutherAI/gpt-j-6B und zeigt, dass diese am stärksten mit dem sozio-kognitiven Modell von Castelfranchi übereinstimmt, was neue Einblicke in die soziale Kognition von KI-Systemen ermöglicht.
Die Studie nutzt künstliche Marktsimulationen, um zu zeigen, dass Arbitrage zwischen gehebelten ETFs und Futures während eines Marktabschwungs die Liquidität durch gegenseitige Übertragung von Orderbuchtiefe und Tightness zwischen den beiden Märkten stabilisiert.
Die Arbeit stellt MASFactory vor, ein graphenzentriertes Framework zur Orchestrierung von LLM-basierten Multi-Agenten-Systemen, das durch die neuartige „Vibe Graphing"-Methode die Umwandlung natürlicher Sprachabsichten in ausführbare Workflow-Graphen ermöglicht und dabei Wiederverwendbarkeit sowie einfache Integration externer Kontextquellen verbessert.
Diese Arbeit stellt Conversational Demand Response (CDR) vor, ein neuartiges Koordinationskonzept, das mithilfe einer agentic-AI-Architektur bidirektionale natürliche Sprachinteraktionen zwischen Aggregatoren und Prosumern ermöglicht, um die Transparenz und Handlungsfähigkeit der Nutzer zu wahren und gleichzeitig die Skalierbarkeit automatisierter Laststeuerung zu erreichen.
Diese Arbeit stellt ein Schema-gated Orchestrierungs-Modell vor, das durch die Trennung von konversationeller Flexibilität und deterministischer Ausführung den Zielkonflikt zwischen natürlichsprachlicher Interaktion und reproduzierbaren wissenschaftlichen Workflows löst.
Diese Arbeit stellt VAS-CFA vor, ein Framework, das durch die Kombination mehrerer moralischer Agenten mit unterschiedlichen normativen Perspektiven mittels kombinatorischer Fusionsanalyse die Wertausrichtung von Sprachmodellen verbessert und so ethische Pluralität besser abbildet als bisherige Methoden.
Die Arbeit stellt iSWE Agent vor, ein auf Java spezialisiertes automatisiertes System zur Problemlösung in Code-Repositories, das durch die Kombination von regelbasierten statischen Analysewerkzeugen und Agenten-Techniken state-of-the-art-Ergebnisse auf Java-Datensätzen erzielt.
Die Arbeit stellt VMAO vor, ein Framework zur orchestrierten Koordination spezialisierter LLM-Agenten, das komplexe Anfragen durch einen iterativen Plan-Ausführen-Verifizieren-Neuplanen-Zyklus mit DAG-basiertem Parallelismus und einer LLM-gestützten Verifizierung löst, um die Vollständigkeit und Quellenqualität der Antworten signifikant zu steigern.
Die Arbeit stellt einen neuro-symbolischen VLM-Agenten vor, der mithilfe des neuartigen Event Logic Tree (ELT)-Rahmenwerks semantische Zeitreihenereignisse in multivariaten Signalen auch mit wenigen oder keinen Trainingsdaten erkennt und dabei durch die Verknüpfung von Sprachbeschreibungen mit physikalischen Datenhalluzinationen vermeidet.
Diese Arbeit entwickelt eine dynamische Theorie der adaptiven Koordination in Multi-Agenten-Systemen, die Intelligenz als strukturelle Eigenschaft gekoppelter Dynamiken in einer persistenten Umgebung beschreibt, ohne auf zentrale Optimierung oder rationale Erwartungen zurückzugreifen.
Diese Studie stellt einen effizienten Multi-Agenten-Deep-Reinforcement-Learning-Ansatz vor, der mit virtuellen Ankerknoten koordinierte UAVs zur präzisen Lokalisierung von Methanquellen und zur Überwindung der Grenzen traditioneller Suchmethoden einsetzt.
Die Arbeit stellt Deliberative Collective Intelligence (DCI) vor, ein Framework für strukturierte Multi-Agenten-Systeme, das durch definierte epistemische Akte und einen konvergenten Algorithmus nachvollziehbare Entscheidungsprozesse ermöglicht, wobei die Evaluierung zeigt, dass dieser Ansatz insbesondere bei komplexen, nicht-routinemäßigen Aufgaben die Leistung unstrukturierter Debatten übertrifft, jedoch mit einem erheblichen Token-Overhead einhergeht.
Die Studie zeigt, dass künstliche Agenten in hybriden menschlich-automatisierten Energiesystemen durch globale Signale kooperative Verhaltensweisen fördern und die Gesamtergebnisse verbessern können, selbst bei nur teilweiser Adoption, wobei jedoch eine asymmetrische Nutzenverteilung zwischen Adoptern und Nicht-Adoptern beachtet werden muss.
Die Studie stellt AGMARL-DKS vor, einen adaptiven, graphenbasierten Multi-Agenten-Verstärkungslern-Scheduler für Kubernetes, der durch dezentrale Ausführung, globale Kontextmodellierung mittels Graph Neural Networks und stressbewusste lexikografische Priorisierung die Skalierbarkeit, Fehlertoleranz und Ressourcennutzung im Vergleich zu herkömmlichen Ansätzen signifikant verbessert.
Die Arbeit untersucht das Modul-Checking von Pushdown-Multi-Agenten-Systemen gegen ATL- und ATL*-Spezifikationen und zeigt, dass die Komplexität für ATL bei 2EXPTIME-vollständig liegt, während sie für ATL* überraschenderweise 4EXPTIME-vollständig ist und damit exponentiell höher als bei verwandten Problemen ausfällt.
Dieser Beitrag stellt ein vollautomatisches, auf BDI-Architekturen basierendes Multi-Agenten-System für integrierte Luftverteidigung vor, das durch Meta-Ebenen-Planung eigenständig Ziele erkennt, Bedrohungen bewertet und Waffen zuweist, um die Kommando- und Kontrollautonomie im Netzwerkzentrierten Krieg zu gewährleisten.