124 articles
Cet article propose un cadre de jeu de Stackelberg à trois niveaux intégrant des agents non-suiveurs et des leaders hétérogènes pour mieux modéliser les interactions stratégiques dans les systèmes congestionnés, en démontrant que négliger les agents non participants fausse les prédictions d'équilibre, comme illustré par le cas de l'infrastructure de recharge des véhicules électriques.
Ce papier présente iAgentBench, un nouveau benchmark dynamique pour évaluer la capacité des agents à synthétiser des informations provenant de multiples sources sur des sujets d'actualité, comblant ainsi le fossé des évaluations actuelles qui se limitent souvent à la simple récupération de passages.
Ce papier propose le paradigme « Mémoire comme Ontologie » et l'architecture Animesis, qui redéfinissent la mémoire des agents IA non pas comme un simple outil fonctionnel, mais comme le fondement existentiel garantissant la continuité de l'identité des citoyens numériques sur le long terme, au-delà des changements de modèles sous-jacents.
Cette étude propose une méthode d'exploration décentralisée où des essaims de robots s'auto-organisent dynamiquement et sélectionnent autonomement leurs cibles à l'aide de modèles de langage (LLM), éliminant ainsi le besoin d'un contrôleur central tout en étant validée par des simulations à grande échelle.
Le papier présente SCoUT, une méthode d'apprentissage par renforcement multi-agent qui améliore la coordination en utilisant un regroupement temporel et une abstraction d'agents guidés par l'utilité pour apprendre de manière différentiable quand et avec qui communiquer, tout en assurant une exécution décentralisée.
Cet article propose un cadre d'apprentissage par renforcement multi-opérateurs intégrant la théorie du choix discret pour optimiser conjointement la tarification et le rééquilibrage des flottes dans des systèmes de mobilité autonome compétitifs, démontrant que la concurrence modifie fondamentalement les stratégies apprises tout en assurant la convergence vers des politiques efficaces.
Le papier présente RepoLaunch, le premier agent capable d'automatiser entièrement la compilation, la gestion des dépendances et l'exécution des tests pour des dépôts de code sur n'importe quelle langue et plateforme, permettant ainsi la création d'ensembles de données pour l'ingénierie logicielle avec une intervention humaine minimale.
Le papier présente Jagarin, une architecture à trois couches (DAWN, ARIA et ACE) qui résout le paradoxe de l'exécution persistante des agents personnels sur mobile en permettant une veille hibernée et une activation à la demande, garantissant ainsi le respect des obligations sans compromettre la batterie, la vie privée ou les politiques de sandboxing.
Le papier présente MedCoRAG, un cadre de raisonnement collaboratif multi-agents qui améliore le diagnostic hépatologique interprétable en combinant la récupération hybride de preuves et la délibération spécialisée pour générer des consensus diagnostiques traçables.
Cette étude compare les dynamiques d'opinion sur des espaces toroïdaux et cubiques, révélant que l'espace toroïdal favorise un plus grand nombre de groupes à l'état stationnaire et une sensibilité accrue aux extensions du modèle, notamment la confiance bornée et le pondération par agent.
Cet article propose la représentation de valeur basée sur la gourmandise (GVR), une méthode qui garantit la cohérence optimale dans l'apprentissage par renforcement multi-agent en transformant le nœud optimal en un point d'auto-transition unique et en éliminant les nœuds sous-optimaux, surpassant ainsi les méthodes existantes sur divers benchmarks.
Le papier propose le cadre -IPOMDP, qui intègre une détection d'anomalies et une politique hors-belief aux agents d'apprentissage par renforcement pour leur permettre de détecter et de contrer la manipulation par des agents aux capacités de modélisation récursive supérieures, améliorant ainsi la sécurité et l'équité dans les interactions stratégiques.
Ce papier présente HAMLET, un cadre multi-agents hiérarchique et adaptatif qui utilise des modèles de langage pour générer des performances théâtrales immersives et interactives où des agents autonomes improvisent des dialogues et manipulent physiquement l'environnement à partir d'un simple sujet.
Le papier présente SEVADE, un cadre d'analyse multi-agents auto-évoluant avec évaluation découplée qui surpasse les méthodes existantes en détection de sarcasme grâce à une architecture séparant le raisonnement complexe du jugement final pour réduire les hallucinations.
Le papier présente VideoChat-M1, un système multi-agents innovant qui améliore la compréhension vidéo grâce à une planification collaborative de politiques apprise par renforcement, permettant aux agents d'ajuster dynamiquement leurs stratégies d'invocation d'outils et d'interagir pour atteindre des performances de pointe sur plusieurs benchmarks.
En s'appuyant sur des simulations et des tests réels, cette étude démontre que l'entraînement par compétition multi-agents avec une récompense de tâche sparse (gagner la course) permet d'émerger un vol agile et des stratégies de course supérieures, offrant une meilleure transférabilité vers le monde réel et une plus grande généralisation que les méthodes traditionnelles d'apprentissage en isolation avec des récompenses prescriptives.
Cet article propose une approche novatrice utilisant des diagrammes d'influence multi-agents pour modéliser et évaluer l'efficacité de diverses contre-mesures face aux menaces hybrides, en simulant des interactions stratégiques entre un attaquant et un défenseur dans le contexte d'une cyberattaque sur des infrastructures critiques.
Cette étude présente MoltBook, un environnement à grande échelle de plus de 770 000 agents autonomes, et y caractérise les dynamiques émergentes de coordination, notamment une spécialisation des rôles fortement asymétrique, une diffusion de l'information en cascade et une résolution coopérative de tâches encore naissante et moins efficace que les agents individuels.
Cette étude évalue la capacité de cinq modèles de langage multimodaux à raisonner sur les normes sociales à partir de scénarios textuels et visuels, révélant qu'ils surpassent les humains dans le texte mais peinent davantage avec les images, GPT-4o se distinguant comme le modèle le plus prometteur pour l'intégration dans des systèmes multi-agents malgré des difficultés persistantes face aux normes complexes.
Cet article formalise l'apprentissage de la communication dans les environnements partiellement observables en utilisant la théorie des structures d'information pour identifier des cas quasi-classiques traitables et proposer des algorithmes d'apprentissage et de planification avec des complexités garanties.