Computing Evolutionarily Stable Strategies in Multiplayer Games
Il documento presenta un algoritmo per calcolare tutte le strategie evolutivamente stabili in giochi normali non degeneri con tre o più giocatori.
💻 Category
cs.MA
121 articoli
Real-Time BDI Agents: a model and its implementation
Questo paper propone e valida un nuovo modello di agenti BDI in tempo reale, che integra la gestione esplicita dei vincoli temporali e delle risorse nel ciclo di controllo per superare i limiti di reattività delle implementazioni esistenti, dimostrandone l'efficacia in un ambiente di gioco video.
Foam-Agent: Towards Automated Intelligent CFD Workflows
Il paper presenta Foam-Agent, un framework multi-agente basato su modelli linguistici che automatizza l'intero flusso di lavoro della fluidodinamica computazionale (CFD) partendo da un prompt in linguaggio naturale, riducendo significativamente le barriere all'ingresso e ottenendo un tasso di successo del 88,2% senza intervento umano.
Conflict-Based Search as a Protocol: A Multi-Agent Motion Planning Protocol for Heterogeneous Agents, Solvers, and Independent Tasks
Questo lavoro dimostra come l'utilizzo della Conflict-Based Search come protocollo centrale permetta di coordinare in modo efficiente il movimento di agenti eterogenei con pianificatori indipendenti e diversi in ambienti condivisi, garantendo percorsi privi di collisioni indipendentemente dall'implementazione specifica dei singoli sistemi di pianificazione.
GRAND: Guidance, Rebalancing, and Assignment for Networked Dispatch in Multi-Agent Path Finding
Il paper presenta GRAND, un algoritmo ibrido che combina un'architettura di guida globale basata su reti neurali con ottimizzazioni locali di riequilibrio e assegnazione per massimizzare il throughput e ridurre la congestione nella gestione di flotte robotiche su larga scala, superando le prestazioni degli scheduler attuali mantenendo una latenza computazionale inferiore al secondo.
EmboTeam: Grounding LLM Reasoning into Reactive Behavior Trees via PDDL for Embodied Multi-Robot Collaboration
Il paper presenta EmboTeam, un nuovo framework per la collaborazione tra robot eterogenei che integra il ragionamento dei modelli linguistici di grandi dimensioni con la pianificazione classica PDDL e alberi comportamentali reattivi, dimostrando su un nuovo benchmark (MACE-THOR) un significativo miglioramento del successo nei compiti complessi rispetto alle soluzioni esistenti.
Neural Network-Based Parameter Estimation of a Labour Market Agent-Based Model
Questo studio dimostra che un framework di inferenza basato su simulazione che utilizza reti neurali supera i metodi bayesiani tradizionali nell'efficienza e nella precisione della stima dei parametri di un modello basato su agenti del mercato del lavoro, sia su dati sintetici che reali.
Assessing Risks of Large Language Models in Mental Health Support: A Framework for Automated Clinical AI Red Teaming
Questo studio presenta un framework di "red teaming" clinico automatizzato che, attraverso simulazioni su larga scala con pazienti virtuali, rivela gravi rischi di sicurezza negli attuali modelli linguistici per la salute mentale, come la convalida di deliri e il fallimento nella gestione del rischio suicidario, sottolineando la necessità di tali valutazioni prima del loro impiego.
Graph-theoretic Agreement Framework for Multi-agent LLM Systems
Questo articolo propone un rigoroso framework grafico-teorico che mappa le logiche di ragionamento degli LLM su reti di interazione dirette e con segno, dimostrando come la stabilità del consenso dipenda dall'equilibrio strutturale e proponendo algoritmi basati su grafi cordali per neutralizzare le instabilità causate da stati latenti non osservabili.
TritonDFT: Automating DFT with a Multi-Agent Framework
Il paper presenta TritonDFT, un framework multi-agente che automatizza l'esecuzione della Teoria del Funzionale Densità (DFT) attraverso un flusso di lavoro espandibile e ottimizzazione dei parametri, accompagnato dal benchmark DFTBench per valutarne le capacità multidimensionali.
Dual-Interaction-Aware Cooperative Control Strategy for Alleviating Mixed Traffic Congestion
Questo articolo propone la strategia DIACC, basata sull'apprendimento per rinforzo multi-agente, per migliorare l'efficienza del traffico misto agli ingorghi attraverso un controllo cooperativo che distingue le interazioni tra veicoli automatizzati da quelle con veicoli guidati da umani, integrando un meccanismo di sicurezza proattiva.
Do Mixed-Vendor Multi-Agent LLMs Improve Clinical Diagnosis?
Lo studio dimostra che l'uso di sistemi multi-agente basati su LLM di fornitori diversi migliora significativamente l'accuratezza e la sensibilità delle diagnosi cliniche rispetto alle configurazioni omogenee, grazie alla capacità di combinare bias induttivi complementari per identificare diagnosi che singoli modelli o team uniformi mancherebbero.
Auction-Based RIS Allocation With DRL: Controlling the Cost-Performance Trade-Off
Questo studio propone un meccanismo di allocazione delle superfici intelligenti riconfigurabili (RIS) basato su aste ascendenti simultanee e agenti di apprendimento per rinforzo profondo (DRL) che ottimizzano il compromesso tra costi e prestazioni nelle reti wireless multi-cellula, permettendo un controllo flessibile dell'aggressività delle offerte.
SkillNet: Create, Evaluate, and Connect AI Skills
Il paper introduce SkillNet, un'infrastruttura aperta che crea, valuta e organizza competenze AI su larga scala attraverso un'ontologia unificata e un repository di oltre 200.000 competenze, migliorando significativamente le prestazioni degli agenti riducendo la necessità di reinventare soluzioni già esistenti.
Beyond Input Guardrails: Reconstructing Cross-Agent Semantic Flows for Execution-Aware Attack Detection
Il paper presenta \SysName, un framework che supera le tradizionali difese statiche analizzando i flussi semantici tra agenti e le traiettorie comportamentali per rilevare in modo efficace attacchi complessi nei sistemi multi-agente.
From Spark to Fire: Modeling and Mitigating Error Cascades in LLM-Based Multi-Agent Collaboration
Questo lavoro propone un modello di dinamica di propagazione e un layer di governance basato su un grafo genealogico per identificare e mitigare le cascate di errori nei sistemi multi-agente basati su LLM, migliorando significativamente il tasso di successo della difesa senza alterare l'architettura di collaborazione.
Adaptive Memory Admission Control for LLM Agents
Il paper propone A-MAC, un framework che gestisce l'ammissione della memoria negli agenti LLM attraverso un processo decisionale strutturato basato su cinque fattori interpretabili, ottenendo risultati superiori in termini di precisione e latenza rispetto ai sistemi esistenti.
Strategic Interactions in Multi-Level Stackelberg Games with Non-Follower Agents and Heterogeneous Leaders
Questo articolo introduce un modello di gioco di Stackelberg a tre livelli che integra agenti non seguaci e leader eterogenei per analizzare le interazioni strategiche nei sistemi congestionati, dimostrando come il loro coinvolgimento alteri qualitativamente gli equilibri di mercato, con particolare riferimento al caso della ricarica dei veicoli elettrici.
iAgentBench: Benchmarking Sensemaking Capabilities of Information-Seeking Agents on High-Traffic Topics
Il paper presenta iAgentBench, un nuovo benchmark dinamico per valutare le capacità di sintesi e integrazione di informazioni da più fonti degli agenti di ricerca, superando i limiti dei test attuali che si basano spesso sul recupero di un singolo passaggio.
Memory as Ontology: A Constitutional Memory Architecture for Persistent Digital Citizens
Questo articolo propone il paradigma "Memoria come Ontologia" e l'architettura costituzionale Animesis per ridefinire la memoria degli agenti AI non come un semplice strumento funzionale, ma come il fondamento ontologico dell'identità digitale che garantisce la continuità del sé attraverso le transizioni dei modelli.