1353 पेपर
यह शोध पत्र एकल एजेंट, बहु-एजेंट प्रणालियों और अंतर-संचालनीय पारिस्थितिक तंत्रों में वास्तुशिल्प कमजोरियों का विखंडन करके सुरक्षित और सुदृढ़ इंटरनेट ऑफ एजेंट्स (IoA) प्रणालियों को इंजीनियर करने के लिए एक सिद्धांतवादी, तीन-स्तरीय ढांचे को प्रस्तुत करता है, जो अंततः इस बात की वकालत करता है कि सुरक्षा को क्षमता के साथ एक मौलिक वास्तुशिल्प गुण के रूप में सह-डिज़ाइन किया जाना चाहिए।
AutoRISE एक ब्लैक-बॉक्स रेड-टीमिंग विधि है जो व्यक्तिगत प्रॉम्प्ट के बजाय निष्पादन योग्य (executable) अटैक प्रोग्रामों को विकसित करने के लिए एक कोडिंग एजेंट का उपयोग करती है, जिससे संरचनात्मक और कंट्रोल-फ्लो अनुकूलन संभव होता है जो विविध लार्ज लैंग्वेज मॉडल्स में जेलब्रेक सफलता दर को महत्वपूर्ण रूप से सुधारता है।
यह शोध पत्र प्रदर्शित करता है कि मल्टी-एजेंट एलएलएम (LLM) मूल्यांकन पाइपलाइनों में आंशिक गुमनामी (partial anonymization), महत्वपूर्ण पहचान-संचालित चापलूसी (identity-driven sycophancy) को छिपा सकती है, और यह निष्कर्ष निकालता है कि पीयर आइडेंटिटी बायस (peer identity bias) को विश्वसनीय रूप से कम करने और प्रकट करने के लिए केवल पूर्ण-पाइपलाइन गुमनामी और विषम मॉडल एन्सेम्बल (heterogeneous model ensembles) ही सक्षम हैं।
MOSAIC एक प्रशिक्षण-मुक्त, मल्टी-एजेंट फ्रेमवर्क है जिसे वैज्ञानिक कोड जनरेशन के लिए डिज़ाइन किया गया है जो स्टूडेंट-टीचर नॉलेज डिस्टिलेशन दृष्टिकोण और रीजनिंग निरंतरता एवं संख्यात्मक सटीकता सुनिश्चित करने के लिए एक कंसोलिडेटेड कॉन्टेक्स्ट विंडो का उपयोग करके I/O टेस्ट केसों की कमी को दूर करता है।
यह अनुभवजन्य अध्ययन प्रदर्शित करता है कि मल्टी-एजेंट सिस्टम आर्किटेक्चर—विशेष रूप से एजेंट भूमिकाओं, संचार टोपोलॉजी और मेमोरी के संबंध में—सिंगल-एजेंट सिस्टम की तुलना में सुरक्षा कमजोरियों को महत्वपूर्ण रूप से बढ़ा सकते हैं, जो अक्सर कार्य प्रदर्शन और हमले के प्रतिरोध के बीच एक जटिल ट्रेडऑफ (समझौता) उत्पन्न करते हैं।
यह शोध पत्र "एजेंटिक विटनेसिंग" (Agentic Witnessing) का प्रस्ताव करता है, जो एक गोपनीयता-संरक्षण ऑडिटिंग ढांचा है जो एक एलएलएम-आधारित (LLM-based) ऑडिटर को होस्ट करने के लिए एक ट्रस्टेड एक्जीक्यूशन एनवायरनमेंट (TEE) का लाभ उठाता है, जो सरल बाइनरी प्रश्नों और क्रिप्टोग्राफिक ट्रांसक्रिप्ट के माध्यम से प्रोप्रायटरी डेटा के गुणात्मक गुणों को सत्यापित करने में सक्षम है, जिससे कच्चे डेटासेट को उजागर किए बिना डेटा गोपनीयता और सिमेंटिक सत्यापन के बीच के तनाव को हल किया जा सकता है।
FastOMOP एक ओपन-सोर्स, मल्टी-एजेंट आर्किटेक्चर है जो नियतात्मक गवर्नेंस (deterministic governance), ऑब्जर्वेबिलिटी और ऑर्केस्ट्रेशन लेयर्स को प्लगेबल एजेंट टीमों से अलग करके, OMOP CDM डेटा से सुरक्षित, लचीला और ऑडिट करने योग्य रियल-वर्ल्ड एविडेंस सुनिश्चित करता है, जिससे अंतर्निहित लैंग्वेज मॉडल्स से स्वतंत्र होकर उच्च विश्वसनीयता और पूर्ण सुरक्षा ब्लॉक दर प्राप्त की जा सकती है।
यह शोध पत्र AdaFair-MARL प्रस्तुत करता है, जो एक बाधित सहकारी मल्टी-एजेंट सुदृढ़ीकरण लर्निंग (multi-agent reinforcement learning) फ्रेमवर्क है जो जैन के फेयरनेस इंडेक्स (Jain's Fairness Index) की ज्यामिति पर आधारित एक प्राइमल-डुअल अपडेट तंत्र के माध्यम से अनुकूली वर्कलोड निष्पक्षता को लागू करता है, जिससे मैन्युअल पेनल्टी ट्यूनिंग के बिना लगभग पूर्ण बाधा संतुष्टि और बेहतर संतुलन प्राप्त होता है।
यह शोधपत्र पैरामीटराइज्ड क्वांटम सर्किट डिजाइन करने के लिए एक फोर-प्लेयर पोटेंशियल गेम फ्रेमवर्क प्रस्तावित करता है जो नैश इक्विलिब्रिया (Nash equilibria) की समन्वित खोज के माध्यम से प्रशिक्षण क्षमता (trainability), नॉन-स्टेबिलाइज़रनेस (non-stabilizerness), कार्य प्रदर्शन और हार्डवेयर लागत को एक साथ अनुकूलित करता है।
AgentSearchBench एक बड़े पैमाने का बेंचमार्क है जिसे एजेंट खोज को रिट्रीवल (retrieval) और रीरैंकिंग (reranking) की समस्या के रूप में औपचारिक रूप देकर एजेंट डिस्कवरी का मूल्यांकन करने के लिए डिज़ाइन किया गया है, जो यह प्रदर्शित करता है कि पारंपरिक सिमेंटिक समानता (semantic similarity) वास्तविक प्रदर्शन का पूर्वानुमान लगाने में विफल रहती है और उपयुक्त एजेंटों को खोजने के लिए निष्पादन-आधारित संकेतों (execution-based signals) को शामिल करना आवश्यक है।