Últimos artículos para Agentes

Este trabajo presenta una estrategia para que los agentes diagnostiquen y resuelvan problemas de forma independiente.

Explorando maneras efectivas de ubicar instalaciones de servicios según la demanda de los usuarios.

Un sistema que simula batallas para revelar las experiencias de los soldados.

Este artículo habla sobre estrategias para encontrar agujeros negros en redes.

EasyLAN simplifica el desarrollo de redes LLM colaborativas para tareas complejas.

Descubre cómo el Q-Learning Recursivo hacia Atrás mejora la toma de decisiones en la IA.

Un método para que los agentes mantengan formas con mínima comunicación.

Este artículo examina los problemas de confianza en equipos de robots para la recolección de datos de forma confiable.

Aprende cómo los grupos de agentes pueden llegar a un acuerdo a pesar de tener miembros poco confiables.

Explora principios económicos a través de ideas científicas simples para tener una mejor comprensión.

Explorando cómo se desarrolla la confianza en las interacciones entre humanos y agentes con el tiempo.

Un nuevo método mejora la eficiencia del entrenamiento de machine learning mientras protege la privacidad de los datos.

WorkBench prueba la habilidad de los agentes para realizar tareas de oficina realistas con un método de evaluación único.

Descubre cómo la ingeniería de la percepción crea experiencias creíbles a través de la manipulación sensorial.

Un nuevo método asegura la privacidad mientras permite compartir recursos de manera eficiente entre agentes.

Nuevo algoritmo mejora el aprendizaje en tareas del mundo real sin reinicios.

Presentamos T-PoP, un método para comprobar la ubicación con enfoque en la privacidad.

Los agentes toman decisiones en un entorno de múltiples agentes usando predicciones para obtener mejores resultados.

Un método nuevo mejora la adaptabilidad de los agentes en diferentes entornos sin tareas específicas.

La investigación explora estrategias de comunicación para mejorar el trabajo en equipo entre agentes autónomos y humanos.

Investigación sobre cómo los agentes dañinos pueden corromper a los buenos agentes en el RL descentralizado.

Este estudio explora cómo los agentes se comunican a través de la imitación de señales útiles.

La investigación aborda el problema de búsqueda de agujeros negros en redes cambiantes.

Un estudio sobre cómo los agentes toman decisiones en entornos competitivos usando juegos de campo medio.

Un estudio sobre cómo ajustar agentes de control de computadoras para mejorar el rendimiento en las tareas.

Un método para seleccionar puntos de datos valiosos en sistemas distribuidos.

Este estudio examina cómo la curiosidad afecta la eficiencia en la exploración de agentes artificiales.

Evaluando las capacidades de razonamiento estratégico de los LLMs usando juegos diversos.

Un estudio sobre el uso de aprendizaje por refuerzo y medidas de seguridad para inspecciones de naves espaciales.

Un enfoque nuevo para hacer que los asistentes digitales sean más inteligentes a través del aprendizaje continuo.

Este estudio se centra en mejorar modelos para simular el crecimiento neuronal usando métodos bayesianos.

Un nuevo marco mejora cómo los agentes LLM aprenden a través de una guía de procesos detallada.

Explorando el papel de la computación cuántica en la mejora de la eficiencia del aprendizaje multi-agente.

Un marco claro para evaluar la comprensión en los sistemas de IA.

Usando aprendizaje automático para mejorar el acoplamiento de luz láser en fibras ópticas.

Abordando la distribución de energía para sistemas cooperativos robustos.

Los intercambios de trueque permiten cambiar bienes sin dinero en el mundo en línea de hoy.

Explora cómo fomentar la transparencia en los contratos con múltiples agentes.

Examinando cómo la gente elige tecnologías basándose en la influencia social y las interacciones.

Examinando cómo los hiperparámetros moldean la efectividad de los agentes de RL profundo.