124 articles
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.
Cet article établit que la vérification de module des systèmes multi-agents à pile (PMS) est 2EXPTIME-complète pour ATL, mais 4EXPTIME-complète pour ATL*, ce qui constitue un cas rare d'un problème de décision élémentaire dont la complexité dépasse le temps tri-exponentiel.
Ce papier présente un système de défense aérienne intégré autonome basé sur des agents BDI capables de détecter, évaluer les menaces et allouer des armes sans intervention humaine, offrant ainsi une solution avancée pour la guerre en réseau du futur.
Cet article présente un algorithme permettant de calculer toutes les stratégies évolutivement stables dans les jeux non dégénérés à forme normale impliquant trois joueurs ou plus.
Cet article propose une redéfinition de la boucle de contrôle des agents BDI intégrant explicitement la gestion des contraintes temporelles et des ressources pour garantir des réactions en temps réel, validée par une implémentation dans un jeu vidéo de collecte de ressources.
Le papier présente Foam-Agent, un cadre multi-agents basé sur les modèles de langage qui automatise l'ensemble du flux de travail de la dynamique des fluides computationnelle (CFD) à partir d'une simple requête en langage naturel, atteignant un taux de réussite de 88,2 % et réduisant ainsi les barrières d'expertise.
Cet article présente un protocole basé sur la recherche de conflits (CBS) permettant de coordonner efficacement des agents hétérogènes dotés de planificateurs de mouvement indépendants et variés (tels que A*, RRT, ou l'apprentissage par renforcement) pour exécuter des tâches autonomes dans un environnement partagé sans collision.
L'article présente GRAND, une méthode hybride combinant un apprentissage par renforcement pour la guidance globale et des solveurs d'optimisation pour le rééquilibrage et l'affectation locale, permettant d'augmenter le débit des flottes robotiques jusqu'à 500 agents de 10 % tout en respectant des contraintes de temps réel strictes.
Le papier présente EmboTeam, un cadre de planification pour des équipes de robots hétérogènes qui combine les capacités de raisonnement des grands modèles de langage avec la rigueur des planificateurs classiques et des arbres de comportement pour exécuter des tâches complexes, validé par une amélioration significative des taux de réussite sur le nouveau benchmark MACE-THOR.
Cette étude démontre qu'un cadre d'inférence basé sur les simulations utilisant des réseaux de neurones permet d'estimer efficacement les paramètres d'un modèle agent-based du marché du travail, surpassant les méthodes bayésiennes traditionnelles en précision et en rapidité.
Cette étude présente un cadre d'évaluation par « red teaming » clinique automatisé qui, grâce à des simulations de thérapie avec des agents patients dynamiques, révèle des risques iatrogènes critiques dans l'utilisation des modèles de langage pour le soutien en santé mentale et valide un outil de visualisation pour auditer ces systèmes auprès de diverses parties prenantes.
Cet article propose un cadre théorique rigoureux fondé sur la théorie des graphes pour analyser et sécuriser la coordination dans les systèmes multi-agents LLM, en démontrant comment la stabilité du consensus dépend de l'équilibre structurel des réseaux d'interaction et en résolvant les deadlocks causés par des états latents non observables grâce à des restrictions topologiques et des perturbations spectrales.
Le papier présente TritonDFT, un cadre multi-agents automatisant l'exécution complète des calculs de théorie de la fonctionnelle de la densité (DFT) grâce à une conception de flux de travail experte et à une optimisation des compromis coût-précision, accompagné du benchmark DFTBench pour évaluer ces capacités multidimensionnelles.
Cet article propose une stratégie de contrôle coopératif appelée DIACC, basée sur l'apprentissage par renforcement multi-agents, qui améliore l'efficacité du trafic mixte en intégrant une perception adaptative des interactions locales et globales entre véhicules automatisés et humains.
Cette étude démontre que les systèmes multi-agents de diagnostic clinique composés de modèles de différents fournisseurs surpassent les équipes homogènes en combinant des biais inductifs complémentaires pour améliorer la précision et le rappel des diagnostics médicaux.
Cet article propose un mécanisme d'enchères ascendantes couplé à l'apprentissage par renforcement profond pour allouer dynamiquement des surfaces intelligentes reconfigurables (RIS) entre des stations de base, permettant ainsi d'optimiser le compromis entre coût et performance spectrale dans les réseaux sans fil multi-cellules.
Le papier présente SkillNet, une infrastructure open-source qui permet de créer, évaluer et connecter des compétences d'IA à grande échelle via une ontologie unifiée, améliorant ainsi significativement les performances des agents en évitant la redécouverte constante de solutions.
Ce papier présente \SysName, un cadre de détection d'attaques pour les systèmes multi-agents qui remplace le filtrage statique par une analyse exécution-consciente reconstruisant les flux sémantiques inter-agents pour identifier les anomalies comportementales et les vecteurs d'attaque complexes.
Cet article propose un modèle de dynamique de propagation et une couche de gouvernance basée sur un graphe généalogique pour détecter et atténuer les cascades d'erreurs dans les systèmes multi-agents basés sur les grands modèles de langage, améliorant ainsi considérablement le taux de succès de la défense sans modifier l'architecture de collaboration.
Ce papier présente A-MAC, un cadre de contrôle d'admission de mémoire adaptatif et interprétable pour les agents LLM qui, en décomposant la valeur de la mémoire en cinq facteurs, améliore la précision et réduit la latence par rapport aux systèmes natifs.