Derniers articles pour Agents

Un outil facile à utiliser pour étudier les régions du cerveau impliquées dans la navigation.

Des recherches montrent que l'attention améliore la clarté de la communication chez les agents artificiels.

Une nouvelle méthode pour faire évoluer efficacement des fonctions sans serveur dans des réseaux en périphérie.

Les gens choisissent qui imiter selon les objectifs et stratégies perçus.

Cette recherche examine comment la compositionnalité influence l'imitation dans les systèmes de langue artificielle.

Une étude révèle comment le mouvement influence l'information et la propagation des maladies dans les réseaux sociaux.

Une nouvelle façon de comprendre la prise de décision décentralisée dans les systèmes linéaires.

Cette étude examine comment les modèles de langage comprennent l'agentivité dans les structures de phrases.

Un cadre clair pour comprendre la coopération des agents et les interactions stratégiques.

AMRL améliore la prise de décision des agents en intégrant différents types de connaissances.

Découvre comment l'apprentissage par renforcement profond aide les drones à gérer les interférences de communication.

Un aperçu du BNRA et du problème de couverturabilité pour la coordination des agents.

Une nouvelle méthode améliore la précision de la simulation de marché en calibrant les comportements des agents.

Une équipe de drones s'organise pour suivre et brouiller efficacement les UAV malveillants.

Examiner comment les algos peuvent s'adapter au comportement stratégique dans le prêt et l'embauche.

Une nouvelle méthode clarifie comment les caractéristiques de l'état affectent la performance des agents en apprentissage par renforcement.

Cette étude explore les stratégies de navigation dans un environnement simulé de labyrinthe aquatique de Morris.

Une nouvelle méthode de coopération entre agents utilisant des accords en périphérie pour atteindre des objectifs communs.

Une nouvelle méthode améliore la sécurité dans les environnements à agents multiples.

Le ransomware évolue avec l'IA, rendant la détection de plus en plus difficile pour les systèmes de cybersécurité.

Examiner comment les configurations d'équipe influencent les résultats d'apprentissage dans les systèmes multi-agents.

Présentation d'un modèle pour améliorer la façon dont les systèmes représentent et interagissent avec les processus et procédures.

Cet article parle de comment l'interprétabilité en IA influence les choix moraux.

Une nouvelle méthode améliore la communication entre agents pour une meilleure coopération.

Apprendre aux machines à prédire les croyances des autres améliore le travail d'équipe et la performance.

Apprends comment l'apprentissage par lots peut améliorer les décisions de prix dans les entreprises.

Examiner comment les humains et les robots collaborent pour faire fonctionner des machines articulées pour la récolte du bois.

Améliorer le travail d'équipe entre les humains et les robots pour une exécution des tâches efficace.

Cet article explore le concept de savoir comment par rapport à savoir que.

Les modèles de conscience expliquent comment les gens perçoivent la connaissance et les croyances.

Une étude des interactions sensibles au temps dans les négociations entre agents.

L'apprentissage des méta-valeurs renforce la coopération entre les agents dans des environnements compétitifs et collaboratifs.

Nouvelles méthodes pour estimer les coûts dans la prise de décision des agents.

Apprends à créer des contrats efficaces quand une partie a plus d'infos.

La température influence comment les agents s'adaptent et coopèrent pour contrôler des micro-robots.

OMIGA améliore l'apprentissage multi-agent hors ligne en intégrant des stratégies d'apprentissage globales et locales.

Une étude sur le jumelage efficace pour maximiser la valeur des projets dans les organisations.

Explorer des méthodes de patrouille efficaces en utilisant des idées du problème du triangle de Fagnano.

Apprends comment les explications contrefactuelles améliorent la prise de décision chez les agents d'apprentissage par renforcement.

Explorer comment le Q-Learning se comporte dans des environnements compétitifs presque à somme nulle.