118 papers
Dit paper introduceert context engineering als een nieuwe discipline die prompt engineering overstijgt en samen met intent engineering en specificatie engineering een volwassenheidsmodel vormt voor het schaalbaar en autonoom inzetten van multi-agent AI-systemen in het bedrijfsleven.
FetalAgents is het eerste multi-agent systeem dat door middel van een lichtgewicht coördinatieframework gespecialiseerde visuele experts dynamisch coördineert om een robuuste, end-to-end oplossing te bieden voor analyse, meting en rapportage van foetale echografiebeelden en -video's.
Dit paper introduceert een Capability Coherence System dat de structurele equivalentie tussen geheugenconsistentiemodellen en autorisatie-intrekking benut om via een Release Consistency-strategie de schaal van onbevoegde API-aanroepen tijdens revocatie onafhankelijk van agent-snelheid te beperken, wat resulteert in een tot 184-voudige reductie ten opzichte van traditionele TTL-gebaseerde methoden.
Dit paper introduceert een lichtgewicht, trainingsvrij framework dat prompts als geparameteriseerde acties behandelt om het gedrag van LLM-multi-agenten in dialogen te sturen via dynamisch gegenereerde prompt-componenten, wat effectief bleek in het beïnvloeden van dialoogdynamiek voor sociale simulaties.
Dit onderzoek breidt het bijenmodel voor zwermbesluitvorming uit tot een agent-gebaseerd simulatiemodel waarin emotionele valentie en opwinding interactiepatronen moduleren, waardoor zowel emotionele asymmetrieën als structurele kantelpunten de snelheid en uitkomst van collectieve consensus beïnvloeden.
Dit artikel biedt een overzicht van cognitieve modellering in robotica op basis van utiliteitstheorie, waarbij de evolutie van gedragsgebaseerde robotica naar waardenystemen wordt besproken en de toepassing daarvan in enkel- en multi-agent systemen, vertrouwen en mens-robotinteractie wordt geanalyseerd, om tenslotte veelbelovende onderzoeksrichtingen en open problemen te identificeren.
Dit artikel toont aan dat algoritmen die zonder kennis van concurrenten handelen, vaak naïeve collusie vertonen door synchronisatie van acties, waarbij de kans op dit gedrag sterk afhangt van het gebruikte leermechanisme en varieert van nooit tot altijd afhankelijk van de mate van determinisme.
Dit paper introduceert een methode genaamd Self-Grounded Verification (SGV) die de neiging van multimodale taalmodellen om agenten-acties te overdreven te valideren (de 'agreement bias') vermindert, waardoor de nauwkeurigheid van verifiers en de prestaties van agenten in taken zoals webnavigatie en robotica aanzienlijk worden verbeterd.
Dit onderzoek toont aan dat er een fundamentele asymmetrie bestaat in het afleiden van agentgedrag, waarbij motieven met bijna 100% nauwkeurigheid kunnen worden geïdentificeerd, terwijl geloofssystemen ondanks schaalvergroting en geavanceerde architecturen een hard plafond bereiken van ongeveer 49% nauwkeurigheid vanwege een inherent informatiefout.
Dit paper introduceert SelfOrg, een zelforganiserend framework voor multi-agent systemen dat dynamische communicatiestructuren genereert op basis van respons-afhankelijke Shapley-waarden om samenwerking te optimaliseren zonder extra supervisie of training.
Dit paper introduceert FOR-Prompting, een asymmetrisch promptprotocol dat zonder extra training de prestaties van taalmodellen verbetert door een Defender, een Debater die kritische vragen stelt zonder directe oplossingen, en een Host te laten samenwerken voor iteratieve zelfherziening.
Dit artikel introduceert CRAwDAD, een framework dat twee taalmodellen in een debat laat treden om hun redeneervermogen te verbeteren en zo de nauwkeurigheid van causale inferentie, met name bij tegenwerkelijke vragen, aanzienlijk verhoogt.
Dit paper introduceert MAS-Orchestra, een trainingsframework dat multi-agent systemen optimaliseert door orkestratie te formuleren als function-calling reinforcement learning, en MASBENCH, een gecontroleerde benchmark die aantoont dat de voordelen van multi-agent systemen sterk afhankelijk zijn van taakstructuur en niet universeel gelden.
Het artikel introduceert LatentMem, een leerbaar raamwerk voor multi-agent systemen dat agent-specifieke, token-efficiënte latent geheugens synthetiseert via een ervaringenbank en een geheugencomponist, aangevuld met Latent Memory Policy Optimization om de prestaties aanzienlijk te verbeteren zonder bestaande frameworks aan te passen.
Dit artikel introduceert een uitgebreid benchmarkkader voor multi-agent reinforcement learning in de CityLearn-omgeving, waarbij wordt vastgesteld dat decentrale training en uitvoering (DTDE) samen met tijdsafhankelijk leren superieure prestaties leveren op diverse duurzaamheids- en robuustheidskpi's voor stedelijke energiesystemen.
Deze paper introduceert een gestructureerd benchmarkkader met geïsoleerde interferentiegames en uitgebreide datasets om de specifieke uitdagingen van multi-agent deep reinforcement learning voor C-V2X-resourceallocatie te ontrafelen, waarbij blijkt dat robustheid en generalisatie over diverse voertuigtopologieën de grootste obstakels vormen.
Deze studie concludeert dat hoewel complexe multi-agent architecturen niet altijd de diagnosekwaliteit verbeteren, de hiërarchische opzet licht de beste prestaties levert en dynamische topologiekeuze essentieel is voor het diagnosticeren van zeldzame ziekten.
Dit artikel onderzoekt concurrente graafspellen met gedistribueerde randomisatie, waarbij het aantoont dat geheugenloze strategieën volstaan voor drempelproblemen, de complexiteit van deze problemen analyseert, een nieuwe logica (IRATL) introduceert en een solver implementeert.
Het paper introduceert NarrativeLoom, een door theorie geïnspireerd co-creatie-systeem dat gebruikmaakt van multi-persona AI-improvisatie en menselijke selectie om, zoals aangetoond in een studie met 50 deelnemers, creatiever, origineler en uitgebreider verhalen te produceren dan bestaande hulpmiddelen, waarbij met name beginnende schrijvers profiteren van de gestructureerde ondersteuning.
Deze paper introduceert een nieuwe hiërarchische aanpak die imitatie- en versterkingslering combineert om agenten met heterogene doelen te leren bepalen wanneer samenwerking vruchtbaar is en wanneer zelfstandig handelen beter is, waarbij een extra component voor het modelleren van teamgenoten effectiever blijkt naarmate er minder informatie over hun doelen beschikbaar is.