cs.MA
PulseAugur coverage of cs.MA — every cluster mentioning cs.MA across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
AI研究将重点转向自主代理的制度设计 · 跟踪2个来源
两篇新的arXiv论文提出将AI研究的重点从个体代理转移到管理它们交互的制度。第一篇论文《超越命名机制：经济制度作为人工智能代理的设计空间》提出将经济制度视为工程化代理的灵活设计空间，超越以人类为中心的模型。第二篇论文《为自主AI设计制度》概述了创建促进合作、问责制和适应性的AI制度的七项原则，并提出了一个实验性研究项目和一个面向自主研究代理的API优先期刊。
-
新算法计算两玩家零和博弈中的精确均衡
研究人员开发了一种确定性多项式时间算法，用于计算具有完美回忆的两玩家零和博弈中的精确广泛形式的恰当均衡。该算法为每个信息集分配一个行动概率的几何置换多面体，然后使用双随机表示将其嵌入到多项式大小的序列形式多面体中。通过建立参数化线性系统的符号稳定性并构建持久可行的基，该方法即使对于具有消失实现概率的信息集，也能确保具有多项式编码长度的有理概率。
-
新的Soei系统增强了AI智能体软件工程的可观测性
研究人员开发了Soei，一个旨在提高多智能体AI软件工程过程可观测性的新系统。该系统解决了在追踪AI编码智能体工作中的行动、证据和意图方面的挑战，尤其是在长期的、多轮次的项目中。Soei提出了一个事件模式、一个本地账本和一个验证层，以确保AI生成代码的完整性和可追溯性，旨在为智能体进度和完成情况提供更清晰的见解。
-
分蛋糕研究解决比例分配复杂度问题 · 2篇论文
两篇新研究论文探讨了比例分蛋糕的复杂性，这是一个多智能体系统中的理论问题。第一篇论文确定了保证等长比例分配所需的精确最坏情况切割次数，改进了先前的界限并讨论了计算可行性。第二篇论文证明了即使在简化的估值条件下，计算连续无嫉妒蛋糕分配也是PPAD-完全的，突显了此类问题的计算难度。
-
新框架使用统计合同进行战略多智能体资源分配
研究人员引入了一种使用统计合同的战略多智能体资源分配新框架。该方法旨在通过设计将分配限制在“空”智能体而最大化与“非空”智能体的交易来优化资源分配。该系统利用 e-值提供事后风险控制，并允许针对特定损失函数进行多项式时间优化。该框架还解决了在线智能体到达的场景，提供时间一致的误差控制。
-
新研究探讨分布式多智能体系统的中间协调 · 跟踪到2个来源
两篇新研究论文探讨了分布式多智能体系统的先进协调机制，特别是那些利用大型语言模型（LLMs）的系统。第一篇论文介绍了一种以责任为中心的协调机制（RCM），该机制使用承诺来维护委派任务的问责制，在性能和故障检测方面优于现有方法。第二篇论文提出了一个“自由度”（DoF）框架，用于系统地研究和配置集中式和分布式协调之间的频谱，发现中间配置在各种任务领域中通常能产生更优的结果。
-
Akule框架通过稀疏交互扩散模型加速多机器人运动规划
研究人员开发了Akule，一个利用稀疏交互扩散模型的多机器人运动规划新框架。该方法通过协调单个机器人运动来增强可扩展性，而无需昂贵的联合计算。Akule包含用于成对校正、上下文选择和效果组合的学习模块，能够进行高效的去噪更新。该系统已展示出显著的加速效果，在各种基准测试中规划速度提高了25倍，并成功协调了多达256个机器人。
-
新算法优化无人机-无人车协同进行空中监测
研究人员开发了一种新的算法，用于在空中监测任务中协调无人机（UAV）和无人地面车辆（UGV）。该算法解决了无人机（由UGV充电）的能源约束问题，并纳入了监测点的先决条件约束。该系统旨在通过联合确定车辆路线和时间来最小化任务完成时间，允许根据排序要求和能源限制进行调整。
-
新的轮询算法在策略代理游戏中提供高效的网络干预
研究人员开发了一种名为 Poll 的新算法，用于多活动网络游戏中的网络干预。该算法解决了与私有信息、代理可能存在的误报以及计算可扩展性相关的挑战。Poll 通过对福利核进行基于中心性的分解，在计算、统计查询复杂性和经济收敛性方面提供了效率提升。与精确计算相比，它需要的操作和通信量显著减少，尤其是在大型网络上。
-
新理论塑造空中操作系统的被动刚度
研究人员开发了一种新理论，用于理解和控制绳索悬挂空中操作系统的被动机械响应。该理论将空中飞行器解释为可移动的柔性锚定点，从而能够预测和塑造负载的刚度。该公式适用于具有多个空中飞行器和点负载的系统，揭示了锚定配置如何影响被动负载刚度，并通过重新定位锚定点来实现局部约束保持的刚度整形。
-
新算法为去中心化学习提供高概率纳什遗憾界限
研究人员开发了用于马尔可夫 $\alpha$-势博弈中纳什均衡去中心化学习的新算法。这些算法，即KL投影自然策略梯度（NPG），专为情节式和完全在线异步设置而设计。该工作建立了有限时间高概率纳什遗憾界限，消除了分布不匹配系数并适应了近似误差。然后，该框架应用于独立资源马尔可夫拥塞博弈和战略在线作业调度，提供了具有有限时间保证的可扩展去中心化学习算法。
-
RideSkill 算法使用 LLM 优化共享出行
研究人员开发了 RideSkill，这是一种新颖的分层算法，旨在优化通用共享出行操作。该方法解决了现有多种智能体强化学习方法的局限性，例如泛化能力差和训练困难，尤其是在车辆共享场景中。RideSkill 利用 LLM 辅助的自动算法设计来创建技能库、组合器和重新定位器，从而实现自适应调度和高效的车辆重新定位，而无需在实时部署期间调用 LLM。
-
LiveSim框架使用LLM模拟直播生态系统中不断演变的用户行为
研究人员开发了LiveSim，一个利用大型语言模型（LLM）模拟多智能体直播生态系统中用户行为的新框架。与依赖静态用户画像的先前模拟器不同，LiveSim将用户表示为通过交互进行精炼的动态行为假设。这种方法捕捉了用户行为如何在社会环境中演变，从而能够更准确地模拟生态系统动态和平台干预的效果。在真实世界数据上进行的实验证明了LiveSim在提高用户行为保真度和实现生态系统层面分析方面的有效性。
-
多智能体LLM交通模式与人类驱动的工作负载不同
一项新的研究论文探讨了多智能体大型语言模型（LLM）系统产生的交通模式，这些模式与传统的人类驱动工作负载有显著不同。研究发现，这些系统内的协调拓扑从根本上塑造了请求到达过程，其中扇出协调引入了双峰性。这些LLM调用的推理阶段最好用对数正态分布来描述，拒绝了泊松指数零模型的适用性。
-
新论文表明，AI代理在记忆与沟通之间取得平衡
研究人员发表了一篇论文，探讨了代理的内部记忆与外部沟通在决策中的平衡。该研究引入了“记忆-信号传递前沿”的概念，以说明代理如何在资源限制下优化其信息预算。初步实验表明，记忆带来的损失减少越多的代理，需要的同伴沟通越少。
-
新框架通过政治经济重组模拟间接经济地缘影响
研究人员开发了一种使用切换动力系统分析间接经济地缘影响的新框架。该模型允许发送方通过重组目标国家的内部政治经济来施加影响，而不是直接改变政策。该框架区分了影响得以传递的允许模式和目标国检测到机制时进入的竞争模式。发送方设计机制来管理向竞争模式的过渡，并优化顺从性、达到阈值的时间和持久性。
-
不精确信念融合增强多智能体社会学习
研究人员开发了一种新的社会学习模型，其中智能体通过结合它们信念来相互学习，信念表示为命题语言中的公式。该模型包含一个融合算子，允许信念组合具有不同程度的不精确性。模拟和分析表明，在融合过程中引入一些不精确性可以提高集体学习的准确性，尤其是在群体最初强烈偏向错误信念的情况下。
-
AI研究探讨社会奖励和惩罚动态
本研究论文探讨了同行和制度激励的结合如何塑造社会困境中的合作和社会福利。该研究在囚徒困境的背景下使用四策略模型，分析了无条件合作者、背叛者、社会惩罚者和社会奖励者的动态。研究结果表明，同行惩罚对于促进合作最有效，而同行奖励可以提高社会福利。对同行激励策略的制度奖励显著提高了合作和社会福利，而对无条件合作者的补贴影响甚微。
-
论文使用形式化方法探讨金融市场中的涌现行为
一篇新论文探讨了金融市场中的涌现行为，将复杂系统与形式化方法社区进行类比。该研究识别并构建了电子金融市场中复杂性的来源，为分析涌现现象提供计算支持。作者旨在概述一个用于市场机制形式化规范和分析的系统性研究项目，而非认可特定的技术解决方案。
-
新论文介绍平衡因果数字孪生以用于系统预测
一篇新论文介绍了“平衡因果数字孪生”（Equilibrium Causal Digital Twins），以应对预测系统对干预措施响应的挑战，特别是在存在反馈回路的系统中。该研究概述了在何种条件下可以验证这些预测，并将其应用于不同领域，即使底层机制发生变化。它还提供了理论框架和统计检验来评估这些数字孪生的可靠性，并强调了一个不可能性结果，该结果表明验证需要结构性假设。