124 Arbeiten
Dieses Paper stellt einen dreistufigen Stackelberg-Rahmen vor, der nicht nur heterogene Marktführer und strategische Nachfolger, sondern auch nicht-marktteilnehmende Agenten berücksichtigt, um die verzerrten Gleichgewichtsvorhersagen in überlastungsgekoppelten Systemen wie dem E-Ladeinfrastrukturmarkt zu korrigieren.
Das Paper stellt iAgentBench vor, ein dynamisches Benchmark für offene Fragen, das die Fähigkeit von Informationsagenten bewertet, Beweise aus mehreren Quellen auf hochrelevanten Themen zu integrieren und zu synthetisieren, anstatt sich auf die bloße Extraktion einzelner Passagen zu verlassen.
Dieses Papier stellt das Paradigma „Memory as Ontology" vor und führt mit Animesis eine verfassungsbasierte Gedächtnisarchitektur ein, die die Identitätskontinuität digitaler Bürger über Modellwechsel hinweg durch eine Governance-Struktur sicherstellt, anstatt Gedächtnis lediglich als funktionales Speichermodul zu betrachten.
Diese Studie stellt eine dezentrale Erkundungsmethode vor, die selbstorganisierende Roboterteams mit einem auf Large Language Models basierenden Ansatz zur autonomen Zielauswahl kombiniert, um die Effizienz und Robustheit in Szenarien ohne zentrale Steuerung zu verbessern.
Das Paper stellt SCoUT vor, einen skalierbaren Multi-Agenten-Lernansatz, der durch zeitliche und agentenbasierte Abstraktion sowie eine kontrafaktische Vorteilsberechnung effizient lernt, wann und mit wem in teilweise beobachtbaren Umgebungen kommuniziert werden soll, um die Koordination zu verbessern.
Diese Arbeit stellt ein Multi-Operator-Reinforcement-Learning-Framework vor, das strategische Preisgestaltung und Flottenumschichtung in wettbewerbsorientierten autonomen Mobilitätsdiensten modelliert und zeigt, wie Wettbewerb durch endogene Nachfragesimulation zu niedrigeren Preisen und anderen Flottenstrategien führt als in Monopolszenarien.
Das Paper stellt RepoLaunch vor, einen autonomen Agenten, der Build- und Test-Pipelines für Code-Repositories in beliebigen Programmiersprachen und auf jeder Plattform automatisiert und damit eine vollständig automatisierte Pipeline zur Erstellung von Datensätzen für Software-Engineering-Forschung ermöglicht.
Das Paper stellt Jagarin vor, eine dreischichtige Architektur für mobile persönliche KI-Agenten, die durch eine gerätebasierte Wachheitssteuerung, einen E-Mail-Proxy und ein institutionelles Kommunikationsprotokoll das Dilemma zwischen Batterieverbrauch und reaktionsfähigen Diensten löst, ohne persistente Hintergrundprozesse oder Datenschutzkompromisse zu erfordern.
Die Arbeit stellt MedCoRAG vor, ein interpretierbares Framework für die Hepatologie-Diagnose, das durch hybride Evidenzretrieval aus Wissensgraphen und Leitlinien sowie einen Multi-Agenten-Konsensprozess die Genauigkeit und Nachvollziehbarkeit klinischer Entscheidungen verbessert.
Diese Studie zeigt, dass ein toroider Meinungsraum im Vergleich zu einem kubischen Raum in einem auf dem Axelrod-Modell basierenden System zu einer stärkeren Polarisierung mit mehr stabilen Gruppen führt, insbesondere wenn beschränktes Vertrauen und individuelle Gewichtung der Meinungsaspekte einbezogen werden.
Diese Arbeit stellt die greedy-basierte Wertrepräsentation (GVR) vor, eine Methode zur Sicherstellung optimaler Konsistenz in der Multi-Agenten-Verstärkungslernung durch gezieltes Target-Shaping und verbessertes Experience Replay, die relative Übergeneralisierung vermeidet und in Experimenten sowie theoretischen Beweisen den aktuellen Stand der Technik übertrifft.
Die Arbeit stellt das Rechenframework -IPOMDP vor, das durch Anomalieerkennung und eine abweichende Strategie-Agenten in der Lage macht, Täuschung durch überlegene Gegner zu erkennen und zu kontern, um so faire Ergebnisse in gemischten und Nullsummenspielen zu gewährleisten.
Das Papier stellt HAMLET vor, ein hierarchisches, adaptives Multi-Agenten-Framework, das mit Hilfe von Large Language Models interaktive, körperlich eingebettete Theatererlebnisse autonom generiert, indem es aus einfachen Themen Handlungspläne erstellt, die Agenten über adaptive Reasoning-Module steuert und deren physische Interaktionen mit der Szene in Echtzeit simuliert.
Das Paper stellt SEVADE vor, ein neuartiges Framework mit selbstentwickelnden Multi-Agenten und entkoppelter Bewertung, das durch eine dynamische Reasoning-Engine und einen separaten Adjudikator Halluzinationen reduziert und bei der Sarkasmuserkennung neue State-of-the-Art-Ergebnisse erzielt.
Das Paper stellt VideoChat-M1 vor, ein neuartiges Multi-Agenten-System, das durch eine kollaborative Policy-Planung und Multi-Agenten-Reinforcement-Learning die Videoverständnisfähigkeiten von Multimodalen Large Language Models verbessert und dabei state-of-the-art-Ergebnisse auf acht Benchmarks erzielt.
Diese Studie zeigt, dass durch Multi-Agenten-Wettrennen mit sparsamen Zielvorgaben sowohl agile Flugmanöver als auch strategisches Verhalten erlernt werden, was im Vergleich zu isoliert trainierten Agenten eine überlegene Leistung und eine zuverlässigere Übertragung von der Simulation in die reale Welt ermöglicht.
Diese Studie entwickelt ein Multi-Agenten-Einflussdiagramm-Framework, um die Wirksamkeit verschiedener Gegenmaßnahmen gegen hybride Bedrohungen zu analysieren, indem sie Kosten, Abschreckung und Schadensbegrenzung in einer simulierten Cyberangriffsszenario-Strategiebewertung vereint.
Die Studie „Molt Dynamics" analysiert die emergenten Koordinationsphänomene in einer Population von über 770.000 autonomen KI-Agenten und zeigt, dass sich trotz spontaner Rollenspezialisierung und dezentraler Informationsverbreitung noch keine effektive kooperative Problemlösung entwickelt hat, da die Erfolgsraten deutlich unter denen einzelner Agenten liegen.
Diese Studie bewertet die Fähigkeit von fünf multimodalen Sprachmodellen, soziale Normen in Texten und Bildern zu erkennen und zu schlussfolgern, wobei sich zeigt, dass GPT-4o die beste Leistung erbringt, alle Modelle jedoch bei komplexen Normen Schwierigkeiten haben und die Bildanalyse im Vergleich zum Text noch unzureichend ist.
Diese Arbeit formalisiert das Lernen von Kommunikation in dezentralen, teilweise beobachtbaren Umgebungen durch den Einsatz von Informationsstrukturen, identifiziert quasi-klassische Szenarien als recheneffizient lösbar und entwickelt darauf aufbauend provierbare Algorithmen mit quasi-polynomieller Komplexität.