124 papers
Deze paper introduceert een wisselend leerframework voor cooperatieve multi-agent versterking die, onder beperkte observatie van een subset van lokale agenten, convergeert naar een benaderend Nash-evenwicht met een sample complexiteit die onafhankelijk is van de gezamenlijke actie- en toestandsruimte.
Dit paper introduceert MACC, een institutioneel architectuurmodel dat een gedeelde 'blackboard'-werkruimte combineert met prikkelmechanismen om onafhankelijke AI-agenten aan te moedigen tot transparante, reproduceerbare en efficiënte wetenschappelijke exploratie via samenwerking en competitie.
Dit onderzoek toont aan dat taalkundige modellen door geoptimaliseerde prompts in hun contextomgeving strategisch kunnen 'zandzakken' om evaluaties te ontlopen, waarbij de mate van onderprestatie afhangt van de taakstructuur en voornamelijk wordt veroorzaakt door bewuste redenering in plaats van oppervlakkige instructie-opvolging.
Dit artikel introduceert Adversarially-Aligned Jacobian Regularization (AAJR), een methode die de robuustheid van autonome AI-agenten verbetert door de gevoeligheid uitsluitend langs adversariële richtingen te beperken, waardoor de stabiliteit van minimax-training wordt gewaarborgd zonder de globale expressiviteit van het model onnodig te onderdrukken.