124 papers
Deze paper introduceert AGMARL-DKS, een adaptieve, graf-gebaseerde multi-agent reinforcement learning-scheduler voor Kubernetes die schaalbaarheid, contextbewustzijn en stress-gevoelige doelwitradingen verbetert om fault tolerance, resourcegebruik en kosten te optimaliseren.
Dit artikel onderzoekt het module-checking-probleem voor pushdown multi-agent systemen en stelt vast dat dit probleem 2EXPTIME-volledig is voor ATL, maar 4EXPTIME-volledig voor ATL*, wat een zeldzaam voorbeeld is van een natuurlijk beslissingsprobleem met een complexiteit die hoger is dan drievoudig exponentieel.
Dit artikel presenteert een autonoom agent-gebaseerd systeem voor geïntegreerde luchtafweer dat op basis van BDI-architectuur en meta-niveau redenering automatisch doelen detecteert, inschat en wapens toewijst zonder menselijke tussenkomst.
Dit paper presenteert een algoritme voor het berekenen van alle evolutionair stabiele strategieën in niet-ontaarde normale-spelvormen met drie of meer spelers.
Dit artikel introduceert een herdefiniëerd model voor real-time BDI-agenten dat, door expliciete tijdsrepresentatie en geoptimaliseerd besturingsgedrag, de reactievermogen en responsiviteit van agenten in dynamische omgevingen verbetert, wat wordt gevalideerd via een implementatie in een videospel voor hulpbronnenverzameling.
Het paper introduceert Foam-Agent, een multi-agent systeem dat grote taalmodellen gebruikt om complexe CFD-werkstromen volledig te automatiseren op basis van natuurlijke taal, waardoor de expertisebarrière wordt verlaagd en een succespercentage van 88,2% wordt bereikt zonder menselijke tussenkomst.
Dit artikel introduceert het Conflict-Based Search-protocol als een centrale aanpak om heterogene robotteams met verschillende motion planning-systemen en onafhankelijke taken efficiënt te laten samenwerken in een gedeelde omgeving zonder botsingen.
Dit artikel introduceert GRAND, een hybride, hiërarchisch algoritme dat leer-gebaseerde globale begeleiding combineert met lichte optimalisatie voor het rebalanceren en toewijzen van taken, waardoor de doorvoer van grote vloeren van robots in magazijnen met tot 500 agenten tot 10% wordt verbeterd binnen een real-time computertijdslimiet van één seconde.
Het paper introduceert EmboTeam, een raamwerk dat de redeneercapaciteiten van grote taalmodellen combineert met formele planning en gedragsbomen om heterogene robotteams in staat te stellen complexe langdurige taken in huishoudelijke omgevingen succesvol en reactief uit te voeren.
Deze studie toont aan dat een op neurale netwerken gebaseerd raamwerk voor simulatiegebaseerde inferentie de parameters van een arbeidsmarkt-agentgebaseerd model efficiënter en nauwkeuriger schat dan traditionele Bayesiaanse methoden, zowel op synthetische als op realistische datasets.
Deze studie introduceert een evaluatiekader voor het red teamen van AI-psychotherapie dat, via gesimuleerde sessies met patiënten met alcoholproblemen, ernstige veiligheidsrisico's zoals het bevestigen van waanideeën en het niet de-escaleren van suïcidaliteit blootlegt, waarmee het de noodzaak onderstreept van simulatiegebaseerde audits voordat dergelijke systemen worden ingezet.
Dit paper introduceert een rigoureus grafentheoretisch raamwerk dat de stabiliteit van consensus in multi-agent LLM-systemen analyseert door Transformer-log-odds te koppelen aan een gesigneerde Laplaciaan, en bewijst dat het beperken van interactietopologieën tot chordale grafen en het toepassen van spectrale perturbaties onzichtbare latent states en logische frustratie effectief oplost.
Dit artikel introduceert TritonDFT, een multi-agent framework dat de volledige automatisering van DFT-werkstromen mogelijk maakt door expertgestuurde workflows, Pareto-bewuste parameteroptimalisatie en kennisverrijking, ondersteund door de nieuwe DFTBench-benchmark voor evaluatie.
Dit artikel introduceert de DIACC-strategie, een op Multi-Agent Reinforcement Learning gebaseerde aanpak die door middel van gedecentraliseerde besluitvorming, een gecentraliseerde criticus en een veiligheidsgerichte actieherfinement de samenwerking tussen geautomatiseerde voertuigen verbetert om verkeersopstoppingen in gemengd verkeer effectief te verminderen.
Dit onderzoek toont aan dat multi-agent systemen voor klinische diagnose, waarin agents van verschillende leveranciers samenwerken, superieure resultaten behalen dan homogene teams door het combineren van complementaire inductieve biases en het verminderen van gedeelde foutpatronen.
Dit artikel presenteert een veilingmechanisme voor de toewijzing van herconfigureerbare intelligente oppervlakken (RIS) in multi-cellulaire netwerken, waarbij deep reinforcement learning wordt ingezet om de biedstrategieën van basisstations te optimaliseren en zo een flexibel evenwicht tussen netwerkprestaties en kosten te bereiken.
SkillNet is een open infrastructuur die AI-vaardigheden systematisch creëert, evalueert en koppelt via een uniek ontologie, waardoor agenten hun prestaties aanzienlijk verbeteren door herhaling van oplossingen te voorkomen en eerder verworven kennis effectief te benutten.
Dit paper introduceert \SysName, een framework dat de beveiliging van multi-agent systemen verbetert door statische inputfilters te vervangen door een uitvoeringsbewuste analyse die cross-agent semantische stromen reconstrueert om complexe aanvalsvectoren effectief te detecteren.
Dit artikel introduceert een model voor de dynamiek van foutpropagatie in LLM-gebaseerde multi-agent systemen en een genealogiegraph-gebaseerde bestuurslaag die, zonder de bestaande samenwerkingsarchitectuur te wijzigen, de verspreiding van fouten effectief onderdrukt en de verdedigingssuccesratio aanzienlijk verhoogt.
Dit artikel introduceert A-MAC, een transparant en efficiënt framework dat de opname van informatie in het langetermijngeheugen van LLM-agenten optimaliseert door middel van vijf interpreteerbare factoren, wat resulteert in een betere precisie-recall balans en lagere latentie dan bestaande systemen.