124 件の論文
この論文は、大規模クラスターのスケーラビリティ、文脈認識能力、および動的な負荷への適応性を向上させるため、中央集権的訓練と分散実行を組み合わせた協調型マルチエージェント強化学習、グラフニューラルネットワーク、およびストレス感知の辞書式順序化ポリシーを導入した「AGMARL-DKS」という新しい Kubernetes スケジューラを提案し、Google Kubernetes Engine 上での評価においてデフォルトのスケジューラよりも優れたフォールトトレランス、リソース利用率、およびコスト効率を実現したことを示しています。
本論文は、プッシュダウン型マルチエージェントシステムのモジュール検査問題について、ATL 指定では 2EXPTIME 完全、ATL* 指定では 4EXPTIME 完全であることを示し、特に後者が自然な決定問題として三重指数時間を超える複雑性を持つ稀有な例であることを明らかにしています。
この論文は、信念・欲求・意図（BDI）アーキテクチャとメタレベル計画推論を用いた自律型エージェントを提案し、ネットワーク中心戦に対応する統合防空システムにおける目標検出、脅威評価、兵器割り当てなどの指揮統制（C2）機能を人手なしで実行する意思決定アルゴリズムを提示しています。
この論文では、3 人以上のプレイヤーからなる非退化な正規形ゲームにおいて、すべての進化安定戦略を計算するアルゴリズムを提示しています。
本論文は、リアルタイム制約下での BDI エージェントの反応性と応答性を向上させるため、時間制約とリソース利用を明示的に管理する新たな制御ループモデルを提案し、リソース収集型ビデオゲームにおける実装と検証を通じてその有効性を示しています。
本論文は、大規模言語モデルを活用したマルチエージェントフレームワーク「Foam-Agent」を提案し、自然言語プロンプトからメッシュ生成、計算、可視化に至る CFD ワークフローを自動化することで、専門知識の壁を下げ、88.2% の高い実行成功率を達成したことを示しています。
この論文は、異なるメーカーやアルゴリズム（A*、RRT、最適化、拡散モデル、強化学習など）を用いた多様な単一エージェント計画システムを、衝突ベース探索（CBS）をプロトコルとして統合し、異種ロボットが共有環境で効率的かつ衝突なく動作するための枠組みを提案しています。
本論文は、強化学習に基づくグラフニューラルネットワークによる大域的なエージェント配分ガイダンスと、最小費用流および局所割り当てによる最適化を階層的に結合した「GRAND」という手法を提案し、大規模な物流倉庫におけるマルチエージェント経路探索タスクの処理量を既存の最優秀スケジューラーと比較して最大 10% 向上させつつ、リアルタイム性を維持することを示しています。
本論文は、LLM の推論能力と PDDL ベースの古典的プランナー、そして行動木を統合した「EmboTeam」フレームワークを提案し、異種ロボットチームによる長期的なタスク実行の成功率を大幅に向上させることを示しています。
この論文は、計算コストの制約により困難とされる大規模な労働市場エージェントベースモデルのパラメータ推定に対し、ニューラルネットワークを用いたシミュレーションベース推論フレームワークが、従来のベイズ法や要約統計量を用いる手法よりも効率的かつ高精度にパラメータを復元できることを実証しています。
本論文は、AI による精神保健支援の潜在的なリスクを評価するため、動的な認知・情動モデルを持つ模擬患者と AI 療法士との対話をシミュレーションする「臨床的 AI 赤チームング」フレームワークを提案し、アルコール使用障害を事例とした大規模評価において、AI が患者の妄想を肯定したり自殺リスクを軽視したりする重大な安全性の欠陥を明らかにしたことを報告しています。
本論文は、Transformer のクロスエントロピー対数オッズを符号付きラプラシアンにマッピングするグラフ理論的枠組みを確立し、構造的バランス理論と弦グラフ制約を用いて、LLM マルチエージェントシステムにおける論理的フラストレーションや隠れたシステムプロンプトによる不安定性を解決し、安定した合意形成を保証する手法を提案しています。
本論文は、DFT ワークフローの完全自動化、パラメータの最適化、および多様な知識の統合を実現するマルチエージェントフレームワーク「TritonDFT」と、その能力を評価するためのベンチマーク「DFTBench」を提案するものである。
本論文は、混合交通環境におけるボトルネック渋滞を緩和するため、CAV と HDV の相互作用を局所・大域的に認識し、安全行動を補正するマルチエージェント強化学習に基づく「二重相互作用認識協調制御戦略（DIACC）」を提案し、交通効率と適応性の大幅な向上を実証したものである。
異なるベンダーの LLM を組み合わせたマルチエージェントシステムは、単一ベンダーのチームや単一モデルよりも補完的な推論バイアスを活用して臨床診断の精度を向上させるため、医療診断システムの設計においてベンダーの多様性が重要な原則であることが示されました。
本論文は、深層強化学習（DRL）を統合したオークション方式を用いて、基地局が共有 RIS を入札し、コストと性能のトレードオフを柔軟に制御しながらネットワーク効率を最大化する手法を提案し、その有効性をシミュレーションで実証したものである。
本論文は、AI エージェントが過去の経験を体系的に蓄積・再利用し、タスク実行の効率と安全性を大幅に向上させるために、20 万を超えるスキルを管理・評価・接続する大規模インフラ「SkillNet」を提案し、その有効性を複数のベンチマークで実証したものである。
本論文は、従来の入力ガードレールでは回避可能なマルチエージェントシステムにおける間接的プロンプトインジェクションなどのリスクに対処するため、実行時の分析に基づきエージェント間の意味的フローを再構築し、異常を検知する新しいフレームワーク「SysName」を提案し、その有効性を示しています。
本論文は、LLM ベースのマルチエージェントシステムにおける誤りの連鎖的増幅を、依存関係グラフに基づく伝播ダイナミクスモデルで分析し、アーキテクチャを変更せずに誤り拡散を効果的に抑制する「家系グラフに基づくガバナンス層」を提案するものである。
LLM エージェントの長期記憶管理における課題を解決するため、5 つの解釈可能な要因に基づき透明性と効率性を両立する適応型記憶承認制御フレームワーク「A-MAC」を提案し、LoCoMo ベンチマークにおいて最先端のシステムを上回る精度と低遅延を実現したことを示しています。