123 articles
Cet article présente XR-DT, un cadre de jumeau numérique amélioré par la réalité étendue qui intègre un contrôleur MPPI conscient de l'humain et un modèle de prédiction de trajectoire basé sur l'attention pour permettre une interaction humain-robot sûre, efficace et interprétable dans des espaces partagés.
Cet article propose un cadre d'entraînement régularisé pour contrôler la fuite d'information compositionnelle dans les systèmes séquentiels multi-agents LLM, démontrant que la confidentialité doit être traitée comme une propriété systémique plutôt que locale.
Le papier présente RACAS, une architecture agentic basée sur des modèles de langage qui permet de contrôler de manière unifiée et sans réentraînement divers robots (terrestres, sous-marins et articulés) en se fiant uniquement à des descriptions et commandes en langage naturel.
Cet article introduit de nouvelles métriques d'alternation temporelles pour révéler que, dans le jeu de la Bataille des Exes multi-agents, les politiques apprises par Q-learning peuvent présenter des scores de justice élevés selon les mesures traditionnelles tout en échouant gravement à coordonner leurs actions dans le temps par rapport à des politiques aléatoires.
Cette étude analyse la représentation interne de la confiance dans le modèle LLM GPT-J-6B en utilisant une approche de boîte blanche et révèle que ses concepts s'alignent le plus étroitement avec le modèle socio-cognitif de Castelfranchi, offrant ainsi des perspectives pour la conception de systèmes de collaboration humain-IA.
Cette étude utilise des simulations de marché artificiel pour démontrer que, lors de chutes de prix, l'arbitrage entre les ETF à effet de levier et les contrats à terme permet de transférer la liquidité d'un marché à l'autre, atténuant ainsi l'impact des ordres erronés sur la profondeur de vente et l'étalement des prix.
Le papier présente MASFactory, un cadre centré sur les graphes pour orchestrer des systèmes multi-agents basés sur les LLM, qui intègre une approche de « Vibe Graphing » permettant de convertir des intentions en langage naturel en graphes exécutables tout en facilitant la réutilisation des composants et l'intégration de contextes hétérogènes.
Cet article présente la Réponse à la Demande Conversationnelle (CDR), un mécanisme de coordination bidirectionnelle entre agrégateurs et prosumers reposant sur l'IA agentique, qui améliore l'engagement des utilisateurs résidentiels en combinant l'échelle de l'automatisation avec la transparence et l'agence humaine grâce à des interactions en langage naturel.
Cet article propose une architecture d'orchestration à « grille de schéma » qui sépare la flexibilité conversationnelle de l'exécution déterministe pour permettre des flux de travail scientifiques à la fois agiles et reproductibles, tout en validant cette approche par une évaluation comparative de 20 systèmes réalisée par des modèles de langage multiples.
Cet article présente l'Agentic Design Review System (AgenticDRS), un cadre multi-agents orchestré par un méta-agent qui utilise une sélection d'exemplaires in-contexte par appariement de graphes et une méthode d'expansion de prompts pour évaluer holistiquement les designs graphiques, validé par le nouveau benchmark DRS-BENCH.
Ce papier présente WideSeek-R1, un système multi-agents entraîné par apprentissage par renforcement qui, grâce à une orchestration parallèle et une mise à l'échelle de la largeur, atteint des performances de recherche d'informations comparables à celles d'un modèle unique massif (DeepSeek-R1-671B) tout en étant beaucoup plus léger (4B).
Cet article propose le cadre VAS-CFA, qui améliore l'alignement des valeurs des grands modèles de langage en instanciant plusieurs agents moraux aux perspectives normatives distinctes et en fusionnant leurs réponses grâce à une analyse de fusion combinatoire, surpassant ainsi les méthodes d'évaluation uniques ou agrégées traditionnelles.
Ce papier présente l'agent iSWE, un système automatisé de résolution de problèmes pour les dépôts de code Java qui combine des agents d'IA et des outils d'analyse statique basés sur des règles pour atteindre des performances de pointe.
Ce papier présente VMAO, un cadre d'orchestration multi-agents qui améliore la résolution de requêtes complexes en décomposant les tâches en graphes de dépendances, en exécutant des agents spécialisés en parallèle et en intégrant une boucle itérative de vérification et de replanification pilotée par un LLM pour garantir la complétude et la qualité des réponses.
Cet article propose une approche neuro-symbolique novatrice, baptisée « Grammar of the Wave », qui utilise des arbres de logique d'événements (ELT) pour permettre à des agents VLM de détecter des événements dans des séries temporelles multivariées à partir de descriptions textuelles avec peu de données, tout en générant des explications fiables et en réduisant les hallucinations.
Ce papier propose une théorie dynamique de la coordination adaptative dans les systèmes multi-agents, démontrant que l'intelligence émerge de l'interaction couplée entre agents, incitations et environnement persistant sans nécessiter d'optimisation globale ni de conception centralisée.
Cette étude propose un cadre innovant basé sur l'apprentissage par renforcement multi-agents pour permettre à des drones de localiser efficacement les sources de fuites de méthane provenant de puits abandonnés, surpassant les méthodes traditionnelles en précision et en efficacité opérationnelle.
Cet article présente la DCI, un cadre d'intelligence collective structurée qui améliore significativement la résolution de tâches complexes grâce à des actes épistémiques typés et à des rapports de minorité, bien que cette approche soit coûteuse en tokens et moins performante sur les décisions routinières.
Cette étude démontre que l'introduction d'agents artificiels capables d'utiliser des signaux observables dans les marchés de l'énergie favorise l'émergence de comportements coopératifs et améliore les résultats collectifs, même lors d'une adoption partielle par les consommateurs humains, bien que cela puisse créer des asymétries de bénéfices entre adoptants et non-adoptants.
L'article propose AGMARL-DKS, un planificateur Kubernetes dynamique basé sur l'apprentissage par renforcement multi-agents et les réseaux de neurones graphiques, qui améliore la tolérance aux pannes, l'utilisation des ressources et la réduction des coûts grâce à une approche décentralisée et une politique d'ordonnancement lexicographique adaptée au stress du système.