118 papers
TeamHOI is een framework dat een enkele decentrale policy gebruikt, gebaseerd op een Transformer-architectuur en een gemaskerde Adversarial Motion Prior-strategie, om realistische en schaalbare samenwerking tussen mensachtige robots bij het dragen van objecten mogelijk te maken, ongeacht het aantal teamleden of de vorm van het object.
Dit onderzoek presenteert een multi-agent simulatiemodel dat aantoont dat, ondanks een beperkte impact van klimaatverandering, een vermindering van de visserijinspanning essentieel is om een duurzame evenwichtstoestand in de Senegalese artisanale visserij te bereiken en massale migratie van vissers te voorkomen.
Dit paper toont aan dat het elimineren van redundante communicatiekanalen en het toepassen van representatieve parsimonie, gecombineerd met Contribution-Gated Credit Assignment, leidt tot robuustere en succesvollere 3D-vervolging in complexe omgevingen vergeleken met methoden die afhankelijk zijn van rijkere inter-agent koppelingen.
Dit artikel introduceert IronEngine, een geavanceerd AI-assistentplatform dat via een geünificeerde orchestratiekern en een drie-fasenpipeline planning en uitvoering scheidt, waardoor het een robuuste basis vormt voor algemene persoonlijke assistenten en automatiseringsframeworks.
Dit paper introduceert natuurlijke taal-gebaseerde samenlevingen van geest (NLSOMs), waarin diverse neurale netwerken via een gemeenschappelijke taalinterface samenwerken in een 'mindstorm' om complexe multimodale taken op te lossen en de sociale structuur van toekomstige AI-samenlevingen te onderzoeken.
Deze paper introduceert een niveau-2 inverse-speltheoretisch raamwerk dat, in tegenstelling tot bestaande niveau-1-methoden, de schattingen van agenten over elkaars doelen infereert om misalignments in gedecentraliseerde scenario's zoals stedelijk rijden nauwkeuriger te verklaren.
Dit paper introduceert het Yokai Learning Environment (YLE), een uitdagende nieuwe benchmark voor zero-shot coördinatie die de beperkingen van de bestaande Hanabi-benchmark blootlegt door te vereisen dat agenten geloofsoverdracht, ambiguïteit en spelbeëindiging beheren, waardoor wordt aangetoond dat huidige toonaangevende methoden in YLE falen terwijl ze in Hanabi uitstekend presteren.
Hoewel het artikel een theoretisch uitbreiding van causale speltheorie naar sequentiële settings introduceert, concludeert het dat deze aanpak geen welvaartswinst biedt ten opzichte van klassieke Stackelberg-evenwichten, omdat rationele terugwaartse afleiding elke strategische meerwaarde van causale lagen elimineert.
ThunderAgent is een snelle en programabewuste agentic-inferentiesysteem dat agentic-workflows abstracteert als LLM-programma's om middelen zoals KV-cache en tool-omgevingen geïntegreerd te beheren, wat resulteert in aanzienlijke verbeteringen in doorvoersnelheid en geheugenefficiëntie ten opzichte van bestaande systemen.
Dit position paper presenteert een computerarchitectuurperspectief op multi-agent geheugen door een drie-laags hiërarchie en protocollen voor consistentie te definiëren als cruciale stappen voor schaalbare, betrouwbare systemen.
Het paper introduceert KernelSkill, een multi-agent framework dat de efficiëntie van GPU-kernels verbetert door impliciete heuristieken te vervangen door kennisgedreven vaardigheden en een dubbel niveau van geheugen, wat resulteert in aanzienlijke snelheidswinsten en een hogere succesratio ten opzichte van eerdere methoden.
Het paper introduceert GRACE, een geünificeerde 2D-simulatie- en benchmarkomgeving die multi-robot padplanningstaken op verschillende abstractieniveaus (raster, routekaart en continu) mogelijk maakt om transparante en reproduceerbare vergelijkingen tussen verschillende modellen en planners te faciliteren.
Dit paper introduceert LLMGreenRec, een innovatief multi-agent systeem dat Large Language Models gebruikt om duurzame e-commerce te bevorderen door zowel groene aankoopintenties te detecteren als het eigen digitale koolstofvoetafdruk te minimaliseren.
Deze paper introduceert een volledig geautomatiseerd AI-systeem dat korte komediesoaps genereert door middel van een agentenpopulatie die de rollen van een productiestudio nabootst en gebruikmaakt van door LLM-aangedreven critici die zijn getraind op YouTube-data om humor te evalueren en de output te optimaliseren.
Dit paper introduceert het OA-Bug-algoritme, dat olfactorische en auditieve signalen gebruikt om zwermen van autonome robots te laten samenwerken bij het verkennen van een onbepaalde omgeving zonder GNSS of centrale verwerking, wat resulteert in een aanzienlijk verbeterde zoekdekking.
Dit paper introduceert SysDPO, een raamwerk dat Direct Preference Optimization uitbreidt naar Compound AI-systemen door deze als gerichte acyclische grafen te modelleren, waardoor effectieve systeemgerichte uitlijning mogelijk wordt ondanks niet-differentieerbare interacties en de complexiteit van het vertalen van systeemvoorkeuren naar componentniveau.
Dit paper introduceert KramaBench, een benchmark met 104 handmatig samengestelde uitdagingen die aantoont dat huidige AI-systemen, ondanks hun vaardigheden in geïsoleerde taken, moeite hebben om volledige, werkende data-naar-inzicht-pijplijnen over complexe data lakes te ontwerpen en uit te voeren.
Deze paper introduceert een op multimodale grote taalmodellen gebaseerd multi-agent systeem dat de extractie van chemische informatie uit diverse literatuurformaten aanzienlijk verbetert, met een F1-score van 76,27% die de huidige staat van de kunst ver overtreft.
Het artikel introduceert MARLIN, een decentraal reservoirbeheersysteem dat multi-agent versterkende leer combineert met inspiratie uit zwermintelligentie en LLM-gestuurde beloningsvorming om onder onzekerheid schaalbare en effectieve waterbeheerstrategieën te realiseren.
Dit artikel introduceert WNumMPC, een hiërarchische navigatiemethode die symmetrie-geïnduceerde deadlocks in gedistribueerde multi-agent systemen oplost door een topologische invariant (het winding number) te combineren met versterkingslering voor het plannen van samenwerking en een modelgebaseerde regelaar voor veilige beweging.