116 articoli
Questo paper introduce l'ingegneria del contesto come disciplina fondamentale per gestire l'ambiente informativo degli agenti AI autonomi, proponendo un modello di maturità a quattro livelli che integra ingegneria del contesto, dell'intento e delle specifiche per superare le sfide di scalabilità e allineamento strategico nelle implementazioni aziendali.
Il paper presenta FetalAgents, il primo sistema multi-agente progettato per orchestrare dinamicamente esperti visivi specializzati al fine di analizzare immagini e video ecografici fetali, generando report clinici strutturati con prestazioni superiori rispetto ai modelli esistenti.
Il documento propone un sistema di coerenza delle capacità (CCS) che mappa i modelli di consistenza della memoria sui meccanismi di revoca dell'autorizzazione, dimostrando tramite simulazione che la strategia RCC riduce drasticamente le operazioni non autorizzate rispetto ai metodi basati su TTL, eliminando la dipendenza dalla velocità di esecuzione degli agenti.
Questo paper propone un framework innovativo che tratta i prompt come azioni parametrizzate per influenzare il comportamento e la dinamica delle conversazioni tra agenti basati su LLM senza necessità di addestramento, offrendo un approccio leggero e efficace per la simulazione sociale.
Questo studio estende l'equazione delle api per modellare come valenza ed eccitazione emotiva modulino i tassi di interazione in uno sciame, rivelando come la contagione emotiva e i punti di svolta strutturali influenzino la velocità e l'esito dei processi decisionali collettivi.
Questa rassegna esamina l'applicazione della teoria dell'utilità alla modellazione cognitiva nella robotica, analizzando l'evoluzione dai sistemi basati sul comportamento alle architetture cognitive e ai sistemi di valore, con particolare attenzione al processo decisionale, all'apprendimento e all'interazione in ambienti multi-agente e uomo-robot, proponendo infine nuove direzioni di ricerca e problemi aperti.
Lo studio dimostra che agenti algoritmici privi di informazioni dirette sui concorrenti possono sviluppare una "collusione ingenua" nei giochi ripetuti, la cui probabilità di emergere dipende criticamente dalla sincronizzazione delle azioni e dal tipo di politica di apprendimento utilizzata, variando da impossibile a certa a seconda che gli algoritmi siano persistentemente casuali, asintoticamente deterministici o puramente deterministici.
Questo paper introduce SGV, un metodo di verifica auto-fondato che mitiga il bias di accordo nei modelli linguistici multimodali, migliorando significativamente l'individuazione degli errori e le prestazioni dei agenti in compiti di navigazione web, uso del computer e robotica.
Lo studio dimostra che, sebbene le motivazioni degli agenti LLM siano inferibili con quasi assoluta precisione, i sistemi di credenze presentano un limite fondamentale di asimmetria informativa che ne impedisce l'identificazione accurata, indipendentemente dall'architettura o dalla quantità di dati.
Il paper presenta SelfOrg, un framework di auto-organizzazione per sistemi multi-agente basati su LLM che ottimizza dinamicamente la struttura di comunicazione utilizzando valori di Shapley approssimati per costruire un grafo aciclico diretto, permettendo agli agenti di adattarsi autonomamente senza supervisione esterna e migliorando significativamente le prestazioni, specialmente con modelli più deboli.
Il paper introduce FOR-Prompting, un protocollo di prompting asimmetrico che, attraverso il ruolo di un "Debater" che solleva obiezioni senza fornire soluzioni dirette, migliora l'accuratezza e la qualità delle risposte dei modelli linguistici, rendendoli particolarmente efficaci anche su modelli open-source di piccole dimensioni e in scenari di ragionamento complesso senza richiedere addestramento.
Il paper introduce CRAwDAD, un framework di dibattito tra due agenti che migliora significativamente l'accuratezza del ragionamento causale nei modelli linguistici avanzati, come dimostrato dai risultati sul dataset CLadder.
Il paper presenta MAS-Orchestra, un framework di addestramento che ottimizza l'orchestrazione multi-agente tramite apprendimento per rinforzo e astrazione a funzioni, accompagnato da MASBENCH, un benchmark controllato che dimostra come i vantaggi dei sistemi multi-agente dipendano dalla struttura del compito e non siano universali, ottenendo al contempo miglioramenti significativi su diverse attività di ragionamento con un'efficienza superiore di 10 volte rispetto alle basi di riferimento.
Il paper presenta LatentMem, un framework di memoria multi-agente apprendibile che risolve i problemi di omogeneizzazione e sovraccarico informativo attraverso la sintesi di memorie latenti compatte e specifiche per ruolo, ottimizzate tramite una nuova strategia di apprendimento chiamata LMPO.
Questo lavoro stabilisce un nuovo standard di benchmarking per l'Apprendimento per Rinforzo Multi-Agente (MARL) nella gestione energetica urbana utilizzando l'ambiente CityLearn, dimostrando che le strategie decentralizzate (DTDE) superano quelle centralizzate (CTDE) e proponendo nuove metriche per valutare la sostenibilità e la resilienza dei sistemi.
Questo lavoro propone un benchmark sistematico basato su giochi di interferenza progressivamente complessi e dataset su larga scala per valutare le prestazioni degli algoritmi di apprendimento per rinforzo multi-agente nell'allocazione delle risorse V2X, identificando la robustezza e la generalizzazione delle policy su diverse topologie veicolari come la sfida principale e dimostrando la superiorità dei metodi actor-critic rispetto a quelli basati sul valore.
Lo studio valuta quattro architetture multi-agente per la diagnosi di malattie rare, rivelando che la topologia gerarchica ottiene la massima accuratezza (50,0%), mentre il modello avversariale peggiora le prestazioni a causa di un ampio divario di ragionamento, suggerendo che la complessità del sistema non garantisce un ragionamento migliore e supportando la necessità di una selezione dinamica delle topologie.
Questo articolo studia i giochi su grafi concorrenti con randomizzazione distribuita, dimostrando che le strategie senza memoria sono sufficienti per il problema della soglia (che risulta NP-difficile e in ) e per la raggiungibilità quasi certa (NP-completa), introducendo la logica IRATL e un solver pratico per tali problemi.
Il paper presenta NarrativeLoom, un sistema di co-creazione multi-persona basato sulla teoria della variazione cieca e della ritenzione selettiva che, attraverso uno studio controllato, ha dimostrato di migliorare significativamente la novità, la diversità e la qualità creativa delle storie rispetto agli strumenti di narrazione assistita da IA esistenti.
Questo paper introduce un nuovo approccio gerarchico basato su apprendimento per imitazione e rinforzo che permette agli agenti di decidere dinamicamente se collaborare o agire da soli in ambienti con obiettivi eterogenei, superando i metodi esistenti e dimostrando che la capacità di modellare i compagni è più cruciale quando le informazioni sui loro obiettivi sono limitate.