Informatique - Systèmes multi-agents

Un aperçu des jeux à champ moyen et de leur rôle dans les systèmes multi-agents.

Une nouvelle approche permet aux agents d'optimiser de manière collaborative avec un minimum de partage de données.

Étude du travail d'équipe parmi des agents avec des défis de coordination uniques.

La meilleure façon de répondre améliore la coopération entre agents dans des environnements compétitifs.

Un aperçu des stratégies efficaces pour négocier des contrats au sein des réseaux financiers.

La méthode MACM améliore la précision des grands modèles de langage pour résoudre des problèmes mathématiques complexes.

Révolutionner la performance des agents grâce à l'évaluation et à l'accumulation d'expérience.

On te présente ARMCHAIR, un système pour améliorer le travail d'équipe entre les humains et les robots.

Cette étude examine comment les retards affectent l'approximation stochastique dans l'apprentissage par renforcement.

Les CAVs peuvent améliorer le trafic et la sécurité grâce à la communication et à la coopération.

Un aperçu des problèmes de localisation des installations et de l'impact des fonctions d'échelle.

Une nouvelle méthode utilisant l'apprentissage profond s'attaque aux pannes en cascade dans des réseaux complexes.

Cet article examine comment les groupes sociaux se séparent dans les zones urbaines.

Cette étude se concentre sur l'amélioration de la coordination dans des systèmes avec une communication limitée.

Une nouvelle méthode améliore l'apprentissage des stratégies pour les agents dans des systèmes multi-agents.

Un nouveau cadre améliore l'apprentissage par imitation en plein changement de signaux dans les systèmes multi-agents.

Combiner l'apprentissage contrastif avec la théorie du contrôle pour l'analyse des graphes.

Cette étude se concentre sur la surveillance des comportements et des relations dans des systèmes complexes de manière efficace.

Deux techniques innovantes améliorent le contrôle des dynamiques de groupe dans différents contextes.

RAGAR combine du texte et des images pour améliorer la vérification des faits politiques.

Un cadre pour optimiser les ressources informatiques pour les systèmes de transport modernes.

Une nouvelle approche pour la modélisation basée sur des agents protège la vie privée individuelle tout en maintenant l'exactitude des données.

Nouvelle approche de simulation utilisant des agents d'apprentissage qui reflète les dynamiques réelles du marché.

Un système qui simule des batailles pour révéler les expériences des soldats.

Une nouvelle approche réduit la coordination dans les systèmes multi-agents pour une meilleure navigation.

MA-COPP offre de nouvelles perspectives pour prédire les résultats dans des environnements complexes avec plusieurs agents.

Ce papier examine comment les permissions influencent les résultats dans les systèmes multi-agents.

Découvre comment les robots bossent ensemble pour explorer des environnements inconnus de manière efficace.

Un cadre pour évaluer les stratégies d'IA dans des environnements compétitifs et coopératifs.

Cette étude analyse comment les agents interagissent et atteignent un consensus en utilisant des protocoles de données non ordonnées.

MESA améliore les stratégies d'exploration pour les agents qui bossent ensemble dans différents environnements.

Une nouvelle méthode améliore l'efficacité de l'entraînement des machines tout en protégeant la confidentialité des données.

WorkBench teste la capacité des agents à réaliser des tâches de bureau réalistes avec une méthode d'évaluation unique.

Un aperçu de comment les émotions influencent les divisions politiques et la prise de décision.

Un aperçu de comment les agents gèrent la tromperie et se protègent.

De nouveaux algorithmes s'attaquent aux défis de l'optimisation distribuée avec des agents non fiables.

Une méthode pour que les agents apprennent des stratégies dans les jeux de champ moyen avec un minimum de connaissances préalables.

Utiliser la valeur d'échange pour apprendre à l'IA des comportements sûrs et efficaces des humains.

Une nouvelle méthode améliore l'efficacité des systèmes de transport intelligents grâce à l'apprentissage multi-agents.

Apprends comment les agents peuvent minimiser les interactions négatives tout en accomplissant des tâches.