AgentEval: Generative Agents as Reliable Proxies for Human Evaluation of AI-Generated Content
Centre for Data Science, School of Computer Science, Queensland University of Technology(数据科学中心、计算机科学学院、昆士兰科技大学)
AgentEval通过生成代理高效评估AI生成内容,减少人工评估成本,提升内容质量与一致性。
2025-12-09 cs.AI
Metacognition is all you need? Using Introspection in Generative Agents to Improve Goal-directed Behavior
针对 LLM 智能体上下文有限和泛化困难的问题,本文提出模拟系统1与系统2的元认知模块,让智能体内省并调整策略,在僵尸求生等多场景中取得更优表现。
2024-02-29 cs.AI q-bio.NC
GATSim: Urban Mobility Simulation with Generative Agents
Key Laboratory of Road and Traffic Engineering of the Ministry of Education, College of Transportation, Tongji University(教育部交通工程重点实验室,交通学院,同济大学)
GATSim通过生成代理模拟都市交通,结合认知系统与多尺度反思过程,实现对复杂出行行为的高效建模与真实交通模式的生成。
2026-02-06 cs.AI
A Visualized Framework for Event Cooperation with Generative Agents
针对现有智能体框架缺乏事件组织评估与物理环境可视化整合的问题,开发了可视化平台MiniAgentPro及包含8个场景的综合测试集,评估显示GPT-4o在基础设置表现优异但在困难变体中面临协作挑战。
2025-09-16 cs.AI
Step-Level Preference Learning for Generative Agents in Social Simulations
Shanghai Qi Zhi Institute(上海期智研究院);Xiongan AI Institute(雄安人工智能研究院);Tsinghua University(清华大学);CUHK-Shenzhen(香港中文大学(深圳));USTC(中国科学技术大学);Sun Yat-sen University(中山大学)
研究基于大语言模型的生成式智能体模拟人类行为时中间步骤注释稀缺问题,引入交互式模拟界面收集步骤级人类偏好监督,经监督微调算法和直接偏好优化方法进行步骤级偏好学习,提升模拟效果,证明步骤级人类监督是有效训练信号。
2026-07-17 cs.AI
AI-Powered Learning: Making Education Accessible, Affordable, and Achievable
Georgia Institute of Technology(佐治亚理工学院)
我们开发了一个人工智能驱动的社会技术系统,使高等教育中的在线学习更容易获得,负担得起和实现。特别是,我们开发了四种新颖且相互交织的人工智能技术:(1)VERA,一个支持基于探究的科学知识学习的虚拟实验研究助理,(2)Jill Watson Q&A,一个基于包括VERA用户参考指南在内的教育文档回答问题的虚拟教学助理,(3)Jill Watson SA,一个促进在线互动的虚拟社交代理,以及(4)Agent Smith,其帮助生成Jill Watson Q&A代理以用于新文档,诸如课程大纲。结果是积极的:(i)VERA增强了生态知识,并在网上免费提供;(ii)Jill Watson问答已被超过4,000名学生在超过12个在线课程中使用,并为教师节省了超过500小时的工作;(iii)Jill Q&A和Jill Watson SA促进了学习者的参与,互动和社区;以及(iv)。代理史密斯帮助吉尔沃森Q&A生成一个新的教学大纲内~25小时。总之,这些创新技术有助于使在线学习同时更容易获得(通过在线提供材料),负担得起(通过节省教师时间)和可实现(通过提供学习帮助和培养学生参与)。
2020-06-02 cs.AI cs.CY cs.HC
Exploring Generative AI Techniques in Government: A Case Study
University of Toronto(多伦多大学);National Research Council of Canada(加拿大国家研究理事会)
本文以加拿大国家研究委员会试点中的智能体Pubbie为案例,展示如何利用LLM编排、RoBERTa语义嵌入、微调和少样本学习实现政府绩效衡量、数据管理与报告自动化。
2025-05-12 cs.AI cs.HC cs.IR
LLM-Explorer: Towards Efficient and Affordable LLM-based Exploration for Mobile Apps
Institute for AI Industry Research (AIR), Tsinghua University(人工智能产业研究院(AIR),清华大学);Hong Kong University of Science and Technology(香港科学与技术大学);Beijing University of Posts and Telecommunications(北京邮电大学);AsiaInfo Technologies (China), Inc(亚洲信息科技(中国)有限公司);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);Beijing Academy of Artificial Intelligence (BAAI)(北京人工智能研究院)
针对现有基于LLM的移动应用探索方法成本过高的问题,提出LLM-Explorer智能体,用LLM维护知识、以无LLM方式生成动作,在20款应用上实现最快最高覆盖率,成本较SOTA低148倍以上。
2025-05-15 cs.AI cs.SE
Epidemic Modeling with Generative Agents
Industrial and Systems Engineering, Virginia Tech(弗吉尼亚理工大学工业与系统工程系);Computer Science, Virginia Tech(弗吉尼亚理工大学计算机科学系)
本研究提出用连接大语言模型的生成式智能体进行个体级流行病建模,模拟隔离等真实行为并成功复现多波疫情与压平曲线,为将人类推理决策纳入动态系统建模开辟了新途径。
2023-07-11 cs.AI cs.MA econ.GN
Behavioral Generative Agents for Energy Operations
Thayer School of Engineering, Dartmouth College(达特茅斯学院泰勒工程学院);Graduate School of Business, Stanford University(斯坦福大学商学院)
本文提出利用生成代理模拟客户决策,揭示能源运营中消费者行为模式,提升能源管理系统设计和政策分析能力。
2026-02-28 cs.AI cs.SY eess.SY
AgentSociety: Large-Scale Simulation of LLM-Driven Generative Agents Advances Understanding of Human Behaviors and Society
本文提出AgentSociety平台,通过大规模模拟人类行为和社会动态,探索社会问题如极化、虚假信息传播等,验证其在社会科学研究中的应用价值。
2026-04-10 cs.AI cs.SI
Large Language Models as Theory of Mind Aware Generative Agents with Counterfactual Reflection
The University of Tokyo(东京大学)
提出ToM-agent新范式,通过解耦心理状态与置信度并引入反事实干预方法,使LLM智能体在对话交互中模拟心智理论,超越常识决策,为社会行为模拟提供新见解。
2025-01-26 cs.AI cs.CL
Agent4Edu: Generating Learner Response Data by Generative Agents for Intelligent Education Systems
State Key Laboratory of Cognitive Intelligence(认知智能国家重点实验室);University of Science and Technology of China(中国科学技术大学);Institute of Artificial Intelligence(人工智能研究院);Hefei Comprehensive National Science Center(合肥综合性国家科学中心)
提出Agent4Edu,一种利用大语言模型构建生成式智能体模拟学习者行为,以解决智能教育系统中离线指标与在线性能差异的问题,并支持个性化学习算法评估与优化。
2026-05-28 cs.AI cs.CY
Generative Agent-Based Modeling: Unveiling Social System Dynamics through Coupling Mechanistic Models with Generative Artificial Intelligence
Virginia Tech(弗吉尼亚理工大学)
本文提出生成式智能体模型(GABMs),通过将机制模型与ChatGPT等大型语言模型耦合来模拟社会系统中的人类决策,并以组织内社会规范扩散为例验证其可行性。
2023-09-20 cs.AI cs.LG cs.MA
Can Generative Agents Predict Emotion?
Grad. School of Science and Technology(科学技术研究生院);University of Tsukuba(筑波大学);Grad. School of Letters(文学院);Tokai University(东海大学)
本研究提出一种通过比较新体验与过去记忆的规范来生成情境的架构,利用PANAS量表评估生成式LLM智能体的情绪状态,实验显示引入情境可部分改善情绪对齐。
2024-02-07 cs.AI cs.CL
Modeling realistic human behavior using generative agents in a multimodal transport system: Software architecture and Application to Toulouse
UMR IRIT University Toulouse Capitole(IRIT大学)
针对多模态交通系统中真实人类出行行为建模的难题,本文提出整合GAMA平台、LLM生成式智能体、GTFS数据与OpenTripPlanner的架构,经图卢兹案例验证可实现上下文感知决策与习惯形成,为智能交通与个性化出行提供新方向。
2025-10-22 cs.AI cs.MA
On Generative Agents in Recommendation
National University of Singapore(新加坡国立大学);Tsinghua University(清华大学);University of Science and Technology of China(中国科学技术大学)
针对推荐系统离线与在线性能脱节问题,提出基于大语言模型的生成式智能体用户模拟器Agent4Rec,通过画像、记忆和动作模块模拟用户行为,实验验证其模拟能力并探索过滤气泡等因果现象。
2024-11-08 cs.AI cs.IR
Customized Generative AI Agent for Transportation Engineering Practice: A Development and Continued Pre-training Guideline
提出基于LoRA框架对六种大语言模型进行持续预训练的方法,以提升其在交通工程领域的专业内容理解与推理能力,Qwen2.5-7B和LLaMA-3.1-8B表现最佳。
2026-07-07 cs.AI cs.DL
Towards Responsible Generative AI: A Reference Architecture for Designing Foundation Model based Agents
Data61, CSIRO(Data61,联邦科学与工业研究组织(澳大利亚))
针对基于基础模型的智能体缺乏系统性架构设计及负责任AI质量属性考量的问题,本文提出一种面向模式的参考架构,并通过两个真实智能体验证其完整性与实用性。
2024-04-03 cs.AI cs.SE
Environmental Impact of Generative and Agentic AI: An in-Depth Analysis and Green Solutions
Badji Mokhtar University(巴吉·穆赫塔尔大学);Chadli Bendjedid University(沙德利·本杰迪德大学)
本文系统分析生成式与智能体AI全生命周期的能耗、碳排放、水耗和电子废弃物,提出生命周期分类法、SAFIA评估框架及政策建议,揭示推理能耗可超训练、智能体放大能耗等问题,呼吁智能体感知测量与强制披露。
2026-09-29 cs.AI cs.CY
Simulating Multi-Stakeholder Decision-Making with Generative Agents in Urban Planning
Massachusetts Institute of Technology(麻省理工学院)
本研究通过多生成代理系统模拟城市规划中的多利益相关者决策,探讨人口因素对集体决策的影响,并提升决策的公平性和效率。
2026-01-09 cs.AI cs.MA
AutoPenBench: Benchmarking Generative Agents for Penetration Testing
Politecnico di Torino(都灵理工大学);Università di Torino(都灵大学);NEC Laboratories Europe(日本电气欧洲实验室)
本文提出开放基准 AutoPenBench,通过 33 个分级渗透测试任务和标准化里程碑评估完全自主与人机协作两类生成式智能体,并揭示不同 LLM 对攻击成功率的影响。
2024-10-28 cs.AI cs.CR
Simulating Generative Social Agents via Theory-Informed Workflow Design
Information Hub The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州)信息中心);Department of Electronic Engineering Tsinghua University(清华大学电子工程系)
针对现有社会智能体难以跨场景泛化的问题,提出基于社会认知理论的统一框架,包含动机、规划和学习模块,使智能体行为更真实,偏差降低75%,误差减少1.5至3.2倍。
2025-08-12 cs.AI cs.CY
Generative Agents Navigating Digital Libraries
University of Passau(帕绍大学)
Agent4DL通过生成逼真的用户行为模拟,解决数字图书馆中用户搜索数据稀缺的问题,其在生成多样化和语境感知的用户行为方面表现优异。
2026-02-26 cs.AI cs.DL cs.IR
AI PB: A Grounded Generative Agent for Personalized Investment Insights
本文提出AI PB,一个在真实零售金融中部署的生产级生成式智能体,通过组件化编排、混合检索和多阶段推荐,在合规前提下主动生成个性化投资洞察,验证了有依据生成在高风险金融中的可靠性。
2025-10-23 cs.AI cs.CE cs.CL
Assessing the Potential of Generative Agents in Crowdsourced Fact-Checking
Department of Electrical Engineering and Information Technology (DIETI), University of Naples Federico II(那不勒斯费德里科二世大学电气工程与信息技术系);Northwestern University, Department of Computer Science, McCormick School of Engineering and Applied Science(西北大学计算机科学系,麦科马克工程与应用科学学院)
本研究通过模拟多样化的生成式智能体群体,验证了其在众包事实核查中优于人类群体,表现出更高的真实性分类准确率、内部一致性及更低的偏见倾向,凸显其作为可扩展、可靠核查贡献者的潜力。
2025-10-25 cs.AI cs.CL cs.MA
BioProVLA-Agent: An Affordable, Protocol-Driven, Vision-Enhanced VLA-Enabled Embodied Multi-Agent System with Closed-Loop-Capable Reasoning for Biological Laboratory Manipulation
Key Laboratory of Smart Manufacturing in Energy Chemical Process Ministry of Education, East China University of Science and Technology, Shanghai, CN(能源化工过程智能制造教育部重点实验室,东华大学,上海,中国);Department of Computer Science and Engineering, East China University of Science and Technology, Shanghai, CN(东华大学计算机科学与工程系,上海,中国);Department of Laboratory Medicine, Ruijin Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, CN(复旦大学附属瑞金医院检验医学科,上海,中国);School of Information Science and Technology, Shihezi University, Shihezi, CN(石河子大学信息科学与技术学院,石河子,中国)
本文提出BioProVLA-Agent,通过协议驱动和视觉增强,实现生物实验室操作中的具身多智能体系统,具备闭环推理能力,提升在湿实验室环境中的执行稳定性。
2026-10-20 cs.AI cs.RO
DeltaSelect: Affordable A/B Testing for Coding Agents
Conn Castle Studios(康恩城堡工作室)
DeltaSelect提出一种开源方法,通过相关性和回归选择低成本任务集,用于编码智能体的A/B测试,在预算内实现高效且可靠的版本比较。
2026-09-18 cs.AI cs.LG cs.SE
CARVE: Certified Affordable Repair of Vetoed Maneuvers via Envelopes for Interactive Driving
Yifan Wang(王一帆)
针对交互驾驶中规则感知堆栈易忽略的硬规则裕度负值问题,提出CARVE认证层,通过有限格点上的自我与代理战术算子,实现被否决机动的可负担修复认证,并证明其合理性。
2026-05-31 cs.AI cs.RO
CHAI-DT: A Framework for Prompting Conversational Generative AI Agents to Actively Participate in Co-Creation
IBM(国际商业机器公司)
本文提出CHAI-DT提示框架,使对话式生成AI代理(如ChatGPT)能借鉴人际促进方法,积极参与设计思维共同创造,实验证明其能提供情境化、有用且创新的输入,并讨论了相关益处、局限与未来方向。
2023-05-05 cs.AI cs.HC
Affordable AI Assistants with Knowledge Graph of Thoughts
ETH Zurich(苏黎世联邦理工学院);Cledar(Cledar公司);IDEAS Research Institute(IDEAS研究所)
针对大语言模型驱动的AI助手成本高、复杂任务成功率低的问题,提出融合大模型推理与动态知识图谱的KGoT架构,借助外部工具迭代增强知识表示,在多个基准测试中实现性能提升与成本大幅下降。
2025-10-01 cs.AI cs.CL cs.IR
TravelAgent: Generative Agents in the Built Environment
MIT Media Lab(麻省理工学院媒体实验室);South China University of Technology(华南理工大学)
TravelAgent 平台将生成式智能体集成到 3D 虚拟环境中,模拟行人在不同建成环境下的导航与活动,并通过 100 次模拟、1898 个智能体步数和 76% 的任务完成率验证了其在城市设计、空间认知研究及智能体建模中的应用潜力。
2024-12-25 cs.AI cs.HC
When Generative AI Meets Workplace Learning: Creating A Realistic & Motivating Learning Experience With A Generative PCA
University of Zurich(苏黎世大学);University of Public Administration and Finance Ludwigsburg(路德维希堡公共管理与金融大学)
本文提出基于生成式AI的教学对话代理(GenPCA)用于职场沟通培训,评估显示其能提升员工自我决定学习,并讨论了局限与改进建议。
2024-05-24 cs.AI cs.HC
Humanoid Agents: Platform for Simulating Human-like Generative Agents
University of Washington(华盛顿大学);NVIDIA(英伟达);The University of Hong Kong(香港大学)
本研究提出Humanoid Agents平台,通过引入基本需求、情绪、关系亲密度三类系统1加工要素,让生成式智能体行为更类人,支持多场景扩展,配套可视化界面与分析仪表盘。
2023-10-09 cs.AI cs.CL cs.HC
Agentic AI for Personalized Physiotherapy: A Multi-Agent Framework for Generative Video Training and Real-Time Pose Correction
本文提出多代理系统框架,结合生成AI和计算机视觉,解决家庭物理治疗依从性低的问题,通过生成个性化视频和实时姿态校正提升康复效果。
2026-04-22 cs.AI
Can Agents Spontaneously Form a Society? Introducing a Novel Architecture for Generative Multi-Agents to Elicit Social Emergence
Kunming University of Science and Technology(昆明理工大学)
本文提出生成式多智能体架构 ITCMA-S 及其支持社会交互的 LTRHA 框架,使智能体能够过滤有害行为并选择有利行动,沙盒实验表明智能体可自发形成具有内部等级的派系并组织集体活动。
2024-11-19 cs.AI cs.HC cs.LG
Counterfactual State Explanations for Reinforcement Learning Agents via Generative Deep Learning
Oregon State University(俄勒冈州立大学)
反事实的解释,处理“为什么不呢?“场景,可以为AI代理的行为提供有见地的解释。在这项工作中,我们专注于为在Atari等视觉输入环境中运行的深度强化学习(RL)代理生成反事实解释。我们介绍了反事实状态解释,这是一种基于生成式深度学习的基于示例的反事实解释新方法。具体地说,反事实状态说明了Atari游戏图像需要什么样的最小变化,以使智能体选择不同的动作。我们还评估了反事实状态对非机器学习专家的人类参与者的有效性。我们的第一个用户研究调查了人类是否可以辨别反事实状态解释是由实际游戏产生的还是由生成式深度学习方法产生的。我们的第二个用户研究调查,如果反事实状态的解释可以帮助非专家参与者确定一个有缺陷的代理人,我们比较与基线方法的基础上最近的邻居解释,使用图像从实际的游戏。我们的研究结果表明,反事实状态的解释有足够的保真度,以实际的游戏图像,使非专家更有效地确定一个有缺陷的RL代理相比,最近的邻居基线和根本没有解释。
2021-01-29 cs.AI cs.HC cs.LG
Competency Assessment for Autonomous Agents using Deep Generative Models
University of Colorado Boulder(科罗拉多大学博尔德分校);The Charles Stark Draper Laboratory, Inc.(查尔斯·斯塔克·德雷珀实验室公司)
对于自主智能体来说,作为人类用户值得信赖的合作伙伴,它们必须能够可靠地传达它们被要求执行的任务的能力。为了实现这一目标,我们开发了基于深度生成建模的概率世界模型,该模型允许模拟代理轨迹和精确计算任务结果概率。通过将条件变分自编码器的优势与递归神经网络相结合,深度生成世界模型可以概率地预测长期任务完成的轨迹。我们展示了这些预测的轨迹如何用于计算结果概率分布,从而能够精确评估特定任务和初始设置的代理能力。
2022-03-23 cs.AI cs.HC cs.LG
GenAI-based Multi-Agent Reinforcement Learning towards Distributed Agent Intelligence: A Generative-RL Agent Perspective
本文针对多智能体强化学习在动作空间、非平稳环境和部分可观测性上的挑战,提出从反应式向主动式转变的生成式RL智能体范式,利用生成式AI实现前瞻性决策与协调,推动分布式协作智能发展。
2025-07-13 cs.AI cs.ET cs.HC
On the Ethical Considerations of Generative Agents
University of Cambridge(剑桥大学)
本文针对生成式智能体技术应用引发的伦理问题,通过梳理相关文献识别关键伦理担忧,提出缓解伦理问题与系统性风险的指导方针及未来研究方向,为该技术的伦理规范提供参考。
2024-11-28 cs.AI cs.CY cs.ET
Prompt Sensitivity of Generative Agents: Evidence from an Epidemic Model
Virginia Tech(弗吉尼亚理工大学)
该研究借助生成式智能体流行病模型,探究生成式智能体的行为对提示修改和角色名称的敏感性,发现同义提示影响极小,提示微小变化或情境改变会影响结果,角色名称对流行病结果无显著影响。
2026-08-28 cs.AI cs.LG cs.MA
Generative Agents for Multi-Agent Autoformalization of Interaction Scenarios
Royal Holloway, University of London(伦敦大学皇家霍洛威学院)
本文提出GAMA框架,利用LLM增强的智能体将博弈论交互场景的自然语言描述自动形式化为可执行逻辑程序,并通过求解器验证和锦标赛测试确保语法与语义正确性,实验证明其在多智能体仿真中具备高准确率。
2025-05-29 cs.AI
Investigating Enactive Learning for Autonomous Intelligent Agents
Monash University(莫纳什大学)
认知的生成方法通常被认为是传统认知科学的一种可行的替代方法。生成认知将解释的焦点从施事的内部表征转移到与环境的直接感觉运动交互。在本文中,我们通过人工代理模拟的方式研究生成学习。我们比较了在迷宫环境中觅食任务的经典强化学习上操作的代理的执行。代理的特性进行了分析,在环境状态,目标和勘探/开采权衡的可访问性。我们证实,制定剂可以成功地与环境相互作用,并学会避免不利的相互作用,使用内在定义的目标。的enactive代理的性能被证明是有限的负担得起的行动的数量。
2018-10-09 cs.AI cs.LG cs.RO
Learning from a Generative AI Predecessor -- The Many Motivations for Interacting with Conversational Agents
Mojang Studios(Mojang工作室);Microsoft Corporation(微软公司);University of Washington(华盛顿大学)
本研究通过分析2000名匿名用户的完整聊天记录,揭示了人们与微软Zo等早期对话代理交互的十几种动机,为生成式AI在缺乏明确收入模式时如何通过提升吸引力获益提供了机遇与挑战的参考。
2023-12-31 cs.AI cs.CL cs.HC
Agent Behavior Mining: Generative AI Agent Governance in Business Processes
SAP;Umeå University(于默奥大学)
针对生成式AI智能体在业务流程中的不可见自主性风险,提出智能体行为挖掘方法,通过事件数据模型将智能体活动转化为标准流程日志,实现决策可观测与可追溯,并验证其实用性。
2026-06-23 cs.AI cs.SE
AINTMA: Agentic AI Architecture for Autonomous Test Management with Generative Intelligence, Secure Cloud Communication and Adaptive Quality Analytics
International Business Machines (IBM)(国际商业机器公司(IBM));Global Atlantic Financial(全球大西洋金融公司);Docusign(DocuSign公司);Salesforce Inc(Salesforce公司);The Home Depot(家得宝公司)
研究针对现代软件质量保证需求,提出AINTMA多智能体AI系统。通过六个专门智能体及安全通信框架协调,结合生成式智能等技术。经实验评估,该系统在测试优先级、周期时间、缺陷逃逸率等方面表现出色,推进了云环境下软件质量管理。
2026-07-24 cs.AI
Using Generative Agents to Create Tip Sheets for Investigative Data Reporting
Utrecht University(乌得勒支大学);Northwestern University(西北大学)
本研究提出了一套由分析师、记者、编辑三类智能体协作的系统,可从数据中生成调查数据报道的线索,经真实案例验证,其生成的内容比基线模型更具新闻价值与准确性。
2024-09-11 cs.AI cs.CL cs.LG
Simulacra Naturae: Generative Ecosystem driven by Agent-Based Simulations and Brain Organoid Collective Intelligence
Media Arts & Technology UC Santa Barbara(媒体艺术与技术大学圣芭芭拉分校)
本研究推出媒体装置Simulacra Naturae,以脑类器官神经活动驱动基于自然系统启发的智能体模拟,结合多感官实体环境,探索非人类认知参与的共创式生态与去中心化的关怀型可视化实践。
2025-09-03 cs.AI cs.HC cs.MM
Counterfactual States for Atari Agents via Generative Deep Learning
Oregon State University(俄勒冈州立大学)
尽管深度强化学习代理在许多领域都取得了令人印象深刻的成果,但它们的决策很难向人类解释。为了解决这个问题,过去的工作主要集中在解释为什么在给定的状态下选择一个动作。另一种有用的解释是反事实解释,它涉及“如果?“场景。在这项工作中,我们引入了反事实状态的概念,以帮助人类更好地了解Atari游戏图像中需要改变(最低限度)的代理选择不同的动作。我们引入了一种新的方法来从生成式深度学习架构中创建反事实状态。此外,我们评估了反事实状态对非机器学习专家的人类参与者的有效性。我们的用户研究结果表明,我们生成的反事实状态是有用的,帮助非专家参与者获得更好地了解代理的决策过程。
2019-09-27 cs.AI cs.HC cs.LG
Combining Cognitive and Generative AI for Self-explanation in Interactive AI Agents
Georgia Institute of Technology(佐治亚理工学院);Tufts University(塔夫茨大学)
本研究结合认知AI的TMK功能模型与生成式AI的ChatGPT、LangChain和思维链技术,为交互式学习环境VERA构建自我解释能力,并在66个问题的评估中取得良好结果。
2024-07-25 cs.AI
Reducing the Deployment-Time Inference Control Costs of Deep Reinforcement Learning Agents via an Asymmetric Architecture
National Tsing Hua University(台湾清华大学)
深度强化学习(DRL)已被证明在一些具有挑战性的决策和控制任务中提供了有希望的结果。然而,深度神经网络(DNN)所需的推理成本可能会阻止DRL应用于无法承受高能耗计算的移动机器人。为了使DRL方法在这样的能源有限的平台是负担得起的,我们提出了一个不对称的架构,通过计算昂贵的政策和经济之间的切换,降低了整体推理成本。机器人控制任务的一些代表性的基准套件的实验结果表明,我们的方法是能够降低推理成本,同时保持代理的整体性能。
2021-05-30 cs.AI cs.RO
Free Agent in Agent-Based Mixture-of-Experts Generative AI Framework
National Chung Cheng University(中正大学)
本文提出RLFA算法,借鉴棒球自由球员机制,通过基于奖励的检测与替换策略动态更新多智能体系统中的低效智能体,并结合混合专家方法提升欺诈检测等生成式AI场景下的持续准确性与适应能力。
2025-02-10 cs.AI cs.MA
Multi-Agent Actor-Critic with Generative Cooperative Policy Network
KAIST(韩国科学技术院);Korea Advanced Institute of Science and Technology(韩国科学技术院)
我们提出了一个有效的多智能体强化学习方法来获得均衡策略的多个代理谁是参与马尔可夫博弈。主要是,我们专注于获得分散的政策,代理,以最大限度地提高性能的合作任务的所有代理,这是类似于解决一个分散的马尔可夫决策过程。我们建议使用两种不同的策略网络:(1)分散式贪婪策略网络,用于在训练和执行期间生成贪婪动作;(2)生成式合作策略网络(GCPN),用于在训练期间生成动作样本,以使其他代理改进其目标。我们表明,GCPN生成的样本,使其他代理更有效地探索政策空间,并有利地达成更好的政策,在实现合作任务。
2018-10-22 cs.AI cs.MA
Creative Agents: Simulating the Systems Model of Creativity with Generative Agents
Graduate School of Engineering Science, Osaka University, Osaka, Japan(大阪大学工学研究科);Artificial Intelligence Exploration Research Center, The University of Electro-Communications, Tokyo, Japan(电通大学人工智能探索研究中心);International Research Center for Neurointelligence (WPI-IRCN), The University of Tokyo, Tokyo, Japan(东京大学神经智能国际研究中心)
本研究用LLM驱动的虚拟智能体模拟创造力系统模型,对比孤立与多智能体场景,发现生成式智能体在该框架下更具创造力。
2024-11-26 cs.AI cs.MA