124 artículos
El artículo presenta AGMARL-DKS, un planificador de Kubernetes impulsado por aprendizaje por refuerzo multiagente que utiliza redes neuronales gráficas y un ordenamiento lexicográfico sensible al estrés para superar las limitaciones de escalabilidad y adaptabilidad de los enfoques existentes, logrando mejoras significativas en tolerancia a fallos, utilización de recursos y costos.
Este artículo establece que la verificación de módulos en sistemas multiagente de pila (PMS) es 2EXPTIME-completa para especificaciones ATL y 4EXPTIME-completa para ATL*, demostrando que este último caso es exponencialmente más difícil que la verificación de modelos y constituye un problema natural elemental con una complejidad superior al tiempo triplemente exponencial.
Este artículo presenta un sistema de defensa aérea integrado basado en agentes que utiliza arquitecturas BDI y razonamiento de planes de nivel meta para automatizar la detección, evaluación de amenazas y asignación de armas sin intervención manual, ofreciendo una solución avanzada para el mando y control en la guerra centrada en redes.
El artículo presenta un algoritmo para calcular todas las estrategias evolutivamente estables en juegos de forma normal no degenerados con tres o más jugadores.
Este artículo redefine el bucle de control de los agentes BDI integrando restricciones temporales explícitas para garantizar respuestas efectivas en entornos de tiempo real, validando el modelo mediante su implementación en un videojuego de recolección de recursos.
El artículo presenta Foam-Agent, un marco multiagente basado en modelos de lenguaje que automatiza flujos de trabajo completos de dinámica de fluidos computacional (CFD) mediante prompts en lenguaje natural, logrando una tasa de éxito del 88,2% en tareas de simulación sin intervención experta.
Este trabajo presenta un protocolo basado en la Búsqueda Basada en Conflictos (CBS) que permite la planificación de movimiento multiagente eficiente y sin colisiones para equipos heterogéneos de robots con tareas independientes, al integrar diversos solucionadores de planificación individual como A*, RRT, optimización, difusión y aprendizaje por refuerzo mediante una API estandarizada.
El artículo presenta GRAND, un algoritmo híbrido que combina una política de redes neuronales gráficas entrenada por aprendizaje por refuerzo con optimización de flujo mínimo y asignación local para mejorar el rendimiento y reducir la congestión en la programación de flotas de robots en almacenes, superando a los métodos actuales en benchmarks de gran escala.
El artículo presenta EmboTeam, un marco de planificación para equipos de robots heterogéneos que integra el razonamiento de modelos de lenguaje grande con árboles de comportamiento reactivos mediante PDDL, logrando mejoras significativas en la ejecución de tareas complejas de largo alcance en entornos domésticos simulados.
Este estudio demuestra que un marco de inferencia basado en simulación que utiliza redes neuronales supera a los métodos bayesianos tradicionales en la estimación de parámetros de un modelo basado en agentes del mercado laboral, logrando una recuperación precisa y eficiente de los parámetros originales tanto en datos sintéticos como reales.
Este estudio presenta un marco de "red teaming" clínico automatizado que, mediante la simulación de sesiones terapéuticas con pacientes virtuales, revela riesgos críticos de seguridad en modelos de lenguaje para la salud mental, como la validación de delirios y la incapacidad de gestionar el riesgo suicida, subrayando la necesidad de estas evaluaciones antes del despliegue.
Este artículo presenta un marco teórico basado en la teoría de grafos para analizar y garantizar la estabilidad del consenso en sistemas multiagente de LLM, demostrando cómo la estructura topológica de las interacciones y la observabilidad de los estados latentes afectan la coordinación y proponiendo métodos algorítmicos para prevenir oscilaciones lógicas y asegurar la convergencia.
El artículo presenta TritonDFT, un marco de trabajo multiagente que automatiza flujos de trabajo completos de la Teoría del Funcional de la Densidad (DFT) mediante la optimización de parámetros y la integración de conocimientos expertos, acompañado de DFTBench, una nueva herramienta de evaluación para medir estas capacidades.
Este artículo propone la estrategia de control cooperativo DIACC, basada en Aprendizaje por Refuerzo Multiagente, que mejora la percepción de interacciones locales y globales entre vehículos automatizados y humanos en cuellos de botella para reducir la congestión en el tráfico mixto.
El estudio demuestra que los sistemas de diagnóstico clínico basados en agentes LLM de múltiples proveedores superan a los de un solo proveedor al combinar sesgos inductivos complementarios, logrando una mayor precisión y recuperación de diagnósticos correctos.
Este artículo propone un mecanismo de asignación de superficies inteligentes reconfigurables (RIS) basado en subastas y agentes de aprendizaje por refuerzo profundo que optimiza la compensación entre el rendimiento de la red y el costo mediante una estrategia de puja adaptable y controlable.
SkillNet es una infraestructura abierta que crea, evalúa y conecta habilidades de IA a gran escala mediante una ontología unificada y un repositorio de más de 200.000 habilidades, logrando mejorar significativamente el rendimiento de los agentes al permitirles acumular y transferir conocimientos en lugar de reinventar soluciones.
El artículo presenta \SysName, un marco de defensa que supera las limitaciones de los guardarraíles de entrada tradicionales al reconstruir flujos semánticos entre agentes para analizar la ejecución en tiempo real y detectar eficazmente ataques complejos mediante la identificación de anomalías en las trayectorias de comportamiento.
Este trabajo presenta un modelo de dinámica de propagación y una capa de gobernanza basada en grafos genealógicos para detectar y mitigar las cascadas de errores en sistemas multiagente basados en LLM, logrando elevar la tasa de éxito de defensa de 0,32 a más de 0,89 sin alterar la arquitectura de colaboración original.
El artículo presenta A-MAC, un marco de control de admisión de memoria adaptable para agentes LLM que utiliza factores interpretables y optimización de políticas para lograr un equilibrio superior entre precisión y latencia en comparación con los sistemas nativos.