1362 पेपर
A-MapReduce एक नवीन मल्टी-एजेंट फ्रेमवर्क है जो व्यापक खोज कार्यों को समानांतर, क्षैतिज रूप से संरचित पुनर्प्राप्ति प्रक्रियाओं में बदलने के लिए मैप-रिड्यूस प्रतिमान का लाभ उठाता है, जिससे मौजूदा अनुक्रमिक एजेंटिक प्रणालियों की तुलना में अत्याधुनिक प्रदर्शन और महत्वपूर्ण दक्षता लाभ प्राप्त होता है।
यह शोध पत्र प्रदर्शित करता है कि खुले स्थान में सुसंगत, उच्च-स्तरीय झुंड व्यवहार (flocking) मल्टी-एजेंट सुदृढीकरण शिक्षण (multi-agent reinforcement learning) के माध्यम से उभर सकता है, जहाँ एजेंट टकराव से बचने और समूह सामंजस्य के बीच संतुलन बनाने के लिए एक स्थानीय लागत फलन (local cost function) को अनुकूलित करते हैं, जिसके परिणामस्वरूप ऐसी गतिशीलता उत्पन्न होती है जो वास्तविक स्टार्लिंग पक्षियों के झुंडों की संरचनात्मक और व्यवहार संबंधी विशेषताओं के अत्यंत करीब है।
यह शोध पत्र AT-GRPO का प्रस्ताव करता है, जो एक नवीन मल्टी-एजेंट सुदृढीकरण शिक्षण (रिनफोर्समेंट लर्निंग) ढांचा है जो सहयोगी LLMs में मानक ऑन-पॉलिसी RL की सीमाओं को दूर करने के लिए एक एजेंट- और टर्न-वार ग्रुप्ड ऑप्टिमाइज़ेशन एल्गोरिदम और एक लचीली प्रशिक्षण प्रणाली पेश करता है, जिससे प्लानिंग, कोडिंग और गणित संबंधी कार्यों में पर्याप्त प्रदर्शन लाभ प्राप्त होता है।
यह शोध पत्र एक नवीन मल्टी-एजेंट समन्वय प्रतिमान (पैराडाइम) का प्रस्ताव और सत्यापन करता है जहाँ एजेंट स्पष्ट पदानुक्रमित नियंत्रण के बजाय साझा दबाव प्रवणता (प्रेशर ग्रेडिएंट्स) और टेम्पोरल डिके (सामयिक क्षय) के माध्यम से अप्रत्यक्ष रूप से परस्पर क्रिया करते हैं, जो मीटिंग शेड्यूलिंग जैसे जटिल कार्यों में काफी बेहतर प्रदर्शन और स्केलेबिलिटी प्रदर्शित करता है।
यह शोध पत्र ATOD प्रस्तुत करता है, जो एक व्यापक बेंचमार्क और सिंथेटिक संवाद पीढ़ी पाइपलाइन है जिसे टास्क-ओरिएंटेड डायलॉग सिस्टम में उन्नत एजेंटिक व्यवहारों का मूल्यांकन करने के लिए डिज़ाइन किया गया है, साथ ही इसमें ATOD-Eval फ्रेमवर्क और एक नवीन मेमोरी-आधारित इवैल्यूएटर भी शामिल है जो मल्टी-गोल कोआर्डिनेशन, लॉन्ग-टर्म रीजनिंग और प्रोएक्टिव क्षमताओं के समग्र एवं पुनरुत्पादक मूल्यांकन को सक्षम बनाता है।
यह शोध पत्र ऐतिहासिक कॉलिंग ट्रीज़ (calling trees) का लाभ उठाकर रिट्रीवल और यूटिलिटी ऑप्टिमाइज़ेशन के माध्यम से व्यक्तिगत एजेंट और टीम-स्तरीय सबग्राफ चयन को अनुकूलित करने वाले एक कन्सट्रेंड रिकमेंडेशन फ्रेमवर्क का प्रस्ताव करके, विस्तार होते मल्टी-एजेंट मार्केटप्लेस में विश्वसनीय और संगत एजेंटों के चयन की चुनौती को संबोधित करता है।
यह अध्ययन प्रदर्शित करता है कि जहाँ डायग्नोस्टिक स्क्रीनिंग के लिए कमजोर निबंधों की पहचान करने में मल्टी-एजेंट एलएलएम (LLM) आर्किटेक्चर सिंगल-एजेंट मॉडल से बेहतर प्रदर्शन करते हैं, वहीं समग्र ग्रेडिंग सटीकता के लिए फ्यू-शॉट कैलिब्रेशन (few-shot calibration) सबसे महत्वपूर्ण कारक है, क्योंकि दोनों ही दृष्टिकोण उच्च गुणवत्ता वाले निबंधों पर संघर्ष करते हैं।
यह शोध पत्र तर्क देता है कि मल्टी-एजेंट सिस्टम का विश्लेषण सूक्ष्म आर्थिक सिद्धांत के 'प्रिंसिपल-एजेंट' समस्याओं के दृष्टिकोण से किया जाना चाहिए, क्योंकि सूचना विषमता और लक्ष्यों का बेमेल होना (जैसे एजेंट की योजना बनाना) एजेंसी हानि उत्पन्न करता है जिसे स्थापित तंत्र डिजाइन अवधारणाओं का उपयोग करके बेहतर ढंग से समझा और कम किया जा सकता है।
यह शोध पत्र एडेप्टिव स्वार्म मेश रिफाइनमेंट++ (ASMR++) को प्रस्तुत करता है, जो एक डीप रीइन्फोर्समेंट लर्निंग फ्रेमवर्क है जो मेश रिफाइनमेंट को स्थानीय पुरस्कारों के साथ एक सहयोगात्मक एजेंट सिस्टम के रूप में मॉडल करता है ताकि अत्यधिक अनुकूलन योग्य, कुशल मेश उत्पन्न किए जा सकें जो ह्यूरिस्टिक और सीखे गए बेसलाइन से बेहतर प्रदर्शन करते हैं और महंगे ओरैकल रणनीतियों की सटीकता से मेल खाते हैं।
यह शोध पत्र इस बात की जांच करता है कि कैसे बड़े भाषा मॉडलों में छोटे पूर्वाग्रह एक "टेलीफोन गेम" सेटिंग में बार-बार होने वाली अंतःक्रियाओं के माध्यम से प्रवर्धित होते हैं, जो यह प्रकट करता है कि निर्देश की खुलापन, मॉडल का आकार और विशिष्ट पाठ विशेषताओं से प्रभावित टेक्स्ट गुण जैसे कि विषाक्तता (toxicity), सांस्कृतिक अट्रैक्टर अवस्थाओं की ओर अभिसरित होते हैं।