Risikoverhalten von LLMs
Studie untersucht konsistente Risikoeinstellungen bei LLMs
Code & Algorithms
Code & Algorithms
Kern-IT, inkl. KI-Implikationen
Code & Algorithms
Optimierungsdilemma in Multi-Agenten Systemen
Optimierungsdilemma zwischen Effizienz, Komfort und Fairness
Code & Algorithms
Skalierbare Multi-Agenten-RL-Politik
CDCPG ermöglicht skalierbare Optimierung in Netzwerken mit kontinuierlichen Räumen.
Code & Algorithms
Stigmergic Graph Memory für Lagerhallen
SGM verbessert Durchsatzraten um 20,5-36,7%.
Code & Algorithms
Transfer-Learning in Multi-Agent Systemen
Transfer-Learning ist nützlich bei stabilen strukturellen Invarianten.
Code & Algorithms
Multi-Agent Game Strategies
PGTS kombiniert Offline-Nash-Lösungen mit Online-Tree-Search.
Code & Algorithms
PatchOptic für LLM-Arbeitabläufe
PatchOptic verbessert Sicherheit bei LLM-Arbeitabläufen
Code & Algorithms
StateFuse: Konfliktbewahrende Speicher
StateFuse behält Konflikte bei und verbessert Korrekturfähigkeit.
Code & Algorithms
SwarmResearch: Coding Agents für Offene Probleme
Schwärme von Codierungsagenten finden bessere Lösungen für komplexe Probleme.
Code & Algorithms
Verifizierbare Web-Daten-Sammlung
Verifizierbares Agentenframework für sichere Datenbeschaffung
Code & Algorithms
Circular Directed Networks
Kreisförmige Netzwerke sind effizient im Hinblick auf das gesamtwirtschaftliche Wohlbefinden.
Code & Algorithms
GCT-MARL: Effiziente Multi-Agent Lernen
GCT-MARL beschleunigt das Training in multi-agenten Systemen.
Code & Algorithms
Goal-Oriented Dialogue Runtimes
GODR ermöglicht kontextabhängige Dialogkontinuität durch komplexe Ziele.