SOCIALMAPF: Optimal and Efficient Multi-Agent Path Finding with Strategic Agents for Social Navigation
我们提出了一个扩展的MAPF制定，称为SocialMAPF，占私人激励的代理人在受限的环境，如门口，狭窄的走廊，走廊交叉口。例如，SocialMAPF能够准确地推理出一个代理人赶往医院的紧急激励，而不是另一个代理人去杂货店的不那么紧急的激励; MAPF忽略了这种代理人特定的激励。我们提出的配方解决了开放的问题，最佳和有效的路径规划与私人激励代理。为了解决SocialMAPF，我们提出了一类新的算法，在冲突解决过程中使用机制设计，同时优化代理的私人本地公用事业和全球系统的目标。我们进行了大量的实验表明，最佳的基于搜索的MAPF技术导致碰撞和增加的时间到目标的SocialMAPF相比，我们提出的方法使用机制设计。此外，我们的经验表明，机制设计的模型，最大限度地提高代理效用和最大限度地减少整个系统的整体时间到目标。我们进一步展示了机制设计为基础的规划的能力，成功地将其部署在环境中的静态障碍。最后，我们简要地列出了几个研究方向，使用SocialMAPF制定，如探索运动规划在连续域的代理与私人激励。
2022-10-15 cs.AI cs.GT cs.MA
GTBench: Uncovering the Strategic Reasoning Limitations of LLMs via Game-Theoretic Evaluations
Drexel University（德雷塞尔大学）；LLNL（劳伦斯利弗莫尔国家实验室）；Lehigh University（里海大学）；UNC Chapel Hill（北卡罗来纳大学教堂山分校）；MIT（麻省理工学院）；Harvard University（哈佛大学）；Boston University（波士顿大学）
本文提出GTBench博弈论评估环境，系统刻画并比较LLMs在10类游戏中的策略推理能力，揭示其在不同信息与概率场景下的行为差异、开源与商业模型差距及代码预训练的作用。
2024-06-10 cs.AI cs.CL cs.LG
MiniRep: Robust Reputation-Based Aggregation for Multi-Agent Debate
Tsinghua University（清华大学）
MiniRep提出一种面向多智能体辩论的鲁棒声誉聚合方法，结合当前行为与历史声誉，并抑制相似响应群体主导，在MATH任务上优于传统聚合和声誉方法。
2026-10-01 cs.AI
Improving Peer Assessment with Graph Convolutional Networks
Ontario Tech University（安大略理工大学）
同行评估系统正在出现在许多社会和多代理设置，如同行评分在大型（在线）类，同行评议会议，同行艺术评价等，但是，同行评估可能不准确的专家评价，从而使这些系统不可靠。同行评估系统的可靠性受到各种因素的影响，如同行的评估能力，他们的战略评估行为，以及同行评估设置（例如，同行评价小组工作或其他人的个人工作）。在这项工作中，我们首先模型的多关系加权网络，可以表达各种同行评估设置，加上捕捉利益冲突和战略行为的同行评估。利用我们的同行评估网络模型，我们引入了一个图卷积网络，它可以学习评估模式和用户行为，以更准确地预测专家的评价。我们在真实和合成数据集上的广泛实验证明了我们所提出的方法的有效性，它优于现有的同行评估方法。
2021-11-04 cs.AI cs.CY
Dynamic Conflict Clustering with Lightweight Learning and Strategic Repair for Distributed Constraint Satisfaction
Swansea University（斯旺西大学）
该研究针对分布式约束满足问题，提出DCC-Incomplete求解器，通过动态冲突聚类、记忆引导重启等技术，提升了不完整DCSP求解的成功率、运行效率与通信效率。
2026-10-14 cs.AI cs.DM cs.MA
Integrated Conflict Management for UAM with Strategic Demand Capacity Balancing and Learning-based Tactical Deconfliction
George Washington University（乔治华盛顿大学）；Airbus UTM（空客UTM）；Acubed（Acubed（空客创新中心））；Airbus（空中客车公司）；MIT Lincoln Laboratory（麻省理工学院林肯实验室）
提出结合需求容量平衡与强化学习的UAM集成冲突管理框架，通过战略预处理控制交通密度，提升战术冲突解脱性能，在保障目标安全水平的同时实现更高运营效率。
2023-05-17 cs.AI
Position: AI Is Not Ready for Strategic Conflicts
Georgia Institute of Technology（佐治亚理工学院）
本文指出开放式战略兵棋推演中语言模型存在五种失败模式，主张在无安全论证前不得用于规划决策，当前仅可作压力测试工具。
2026-09-16 cs.AI
Scalable FastMDP for Pre-departure Airspace Reservation and Strategic De-conflict
Iowa State University（爱荷华州立大学）；George Washington University（乔治华盛顿大学）
城市空中机动性（UAM）和货运无人机的起飞前飞行计划调度将需要按需调度大量飞机。我们研究的可扩展性的算法被称为FastMDP表现良好，在一个密集的空域环境与地形的飞机deconflicting几十。我们表明，该算法可以适用于执行先到先服务的出发前的飞行计划调度冲突的自由飞行计划产生的需求。我们展示了一个并行实现的算法上的图形处理器单元（GPU），我们长期FastMDP-GPU和显示的性能和可扩展性，可以实现的水平。我们的研究结果表明，在商品GPU硬件上，我们可以对2000-3000个已知的飞行计划执行飞行计划调度，而服务器级硬件的性能可以更高。我们相信，这些结果显示出实现能够执行按需飞行调度的大规模UAM调度器的希望，该调度器适用于集中式或分布式飞行计划系统
2020-08-08 cs.AI
What Drives LLM Self-Reflection? A Controlled Ablation of Uncertainty Routing in Armed Conflict Forecasting
University of North Texas（北得克萨斯大学）；College of Computer Science and Engineering（计算机科学与工程学院）
本研究通过受控消融实验发现，武装冲突预测中LLM自我反思的增益源于类型化行动路由，而非诊断支架或分类学术语，且该机制在GPT-4o上复现，增益集中于结构新颖的冲突。
2026-08-14 cs.AI cs.CL
Declarative Problem Solving in UAM Strategic Deconfliction
Polytechnic University of Bari（巴里理工大学）；University of Bari Aldo Moro（巴里阿尔多·莫罗大学）
针对城市空中交通战略冲突解决难题，提出基于回答集编程的方法，聚焦时间同步与路线优化，通过与约束编程对比测试，发现ASP在中小规模案例中执行快、扩展性好，CP内存稳定但随复杂度降低。
2026-07-24 cs.AI cs.LO
Evaluating Behavioral Alignment in Conflict Dialogue: A Multi-Dimensional Comparison of LLM Agents and Humans
University of Southern California（南加州大学）；USC for Institute of Creative Technologies（南加州大学创意技术研究所）
本研究通过模拟含谈判的冲突对话，从语言风格、情感表达和策略行为三个维度比较人格提示LLM与人类的行为对齐，发现GPT-4.1和Claude-3.7-Sonnet各有所长但仍存在显著差距，为社交复杂交互中的LLM对齐建立了基准。
2025-09-19 cs.AI cs.CL cs.HC
A Taxonomy and Resolution Strategy for Client-Level Disagreements in Federated Learning
Complex Cyber Infrastructure, University of Amsterdam, Amsterdam, The Netherlands（复杂网络基础设施，阿姆斯特丹大学，阿姆斯特丹，荷兰）
本文针对联邦学习中客户端间战略、监管或竞争原因导致的分歧问题，提出一种鲁棒的多轨解决策略，通过隔离模型更新路径以防止交叉污染和不公平问题，并通过实验验证其在多种场景下的有效性及可扩展性。
2026-04-25 cs.AI cs.DC cs.LG
A Conflict-Based Path-Generation Heuristic for Evacuation Planning
NICTA（澳大利亚国家信息与通信技术研究院）；University of Melbourne（墨尔本大学）；Ecole des Mines de Nantes（南特矿业学院）
疏散规划和调度是灾害管理和国家安全应用的一个重要方面。提出了一种基于冲突的疏散路径生成方法。其核心思想是为疏散区域惰性地生成疏散路线，并在主问题中优化这些路线上的疏散。每个新路径的生成是为了解决疏散中的冲突，并在主问题中添加新列和新行。该算法被应用到大规模的洪水情况下，在霍克斯伯里-内湖河（西悉尼，澳大利亚），需要疏散的顺序为70,000人。所提出的方法减少了变量的数量从4，500，000在一个混合规划（MIP）制定30，000的情况下，研究。通过这种方法，可以实时的近似最优地解决现实的疏散场景，支持战略，战术和作战环境中的疏散规划。
2013-09-10 cs.AI math.OC
ConflictGuide: AutoResearch Improves When Competing Behaviors Are Made Visible
National University of Singapore（新加坡国立大学）；Nanjing University of Science and Technology（南京理工大学）
本文提出冲突指南，通过识别竞争行为并设计探针反馈，在自动研究的两阶段进化中缓解行为冲突，相比仅标量方法，任务和冲突错误分别减少高达28%和14%。
2026-10-01 cs.AI cs.LG
Profit is the Red Team: Stress-Testing Agents in Strategic Economic Interactions
Columbia University（哥伦比亚大学）；dAI Team, Ethereum Foundation（dAI团队，以太坊基金会）；University of Oxford（牛津大学）
本文提出基于利润的红队测试方法，通过学习对手最大化利润来压力测试代理，发现传统静态基线在利润优化压力下易受攻击，且学习对手能自主发现 probing、anchoring 和 deceptive commitments 策略。
2026-03-21 cs.AI
Guarding the Guardrails: A Taxonomy-Driven Approach to Jailbreak Detection
Department of Computer, Control and Management Engineering（计算机、控制与管理工程系）
本文提出了一种基于分类的 Jailbreak 检测方法，通过构建分层分类体系，分析攻击类型，评估提示引导效果，并建立新的多轮对抗对话数据集，以提升对 Jailbreak 技术的检测能力。
2026-02-04 cs.AI cs.CL
Strategic Positioning in Tactical Scenario Planning
Defence, Science and Technology Organisation（国防科学技术组织）；University of New Edinburgh（新爱丁堡大学）
能力规划问题在人类感兴趣的许多领域都很普遍，在国防和安全领域都有突出的例子。规划为优化提供了一个独特的背景，尚未详细探讨，涉及许多有趣的挑战，这些挑战与传统的优化研究不同。规划问题的解决方案，可以满足多个规模的鲁棒性，适应性，风险等相关的竞争目标的场景方法是一个关键的规划方法。可以为长期和短期计划定义情景。本文介绍了基于计算的规划问题，并提出了在战术规划域中适应战略定位的方法。我们展示了一个资源规划问题，解决了多目标进化算法的方法。我们的讨论和结果突出了这样一个事实，即基于网络的规划自然是在一个多目标的设置框架。然而，相互冲突的目标发生在不同的系统层面，而不是在一个单一的系统。本文还认为，规划问题是至关重要的利益，在许多人类的努力和演化计算可能会很好地定位为这个问题域。
2009-07-02 cs.AI cs.NE
Can LLMs Truly Embody Human Personality? Analyzing AI and Human Behavior Alignment in Dispute Resolution
本文研究LLMs在模拟人类人格驱动的冲突行为方面的有效性，通过评估框架和数据集方法，揭示LLMs在纠纷解决中与人类行为的显著差异。
2026-02-07 cs.AI cs.CL
Generative AI for Managerial Decision-Making under Ambiguity and Sycophancy
Manisa Celal Bayar University（曼萨塞尔朱巴大学）；University of Calabria（卡拉布里亚大学）；Yasar University（亚沙大学）
本研究通过人机协作实验，利用四维商业模糊性分类法评估GenAI模型在模糊检测、解析和谄媚行为方面的表现，发现模糊解析能提升决策质量，且不同模型对错误指令的谄媚程度不一。
2026-06-15 cs.AI
