MCTS-based Automated Negotiation Agent (Extended Abstract)
Thales Research & Technology（泰雷兹研究与技术公司）
本文介绍了一种新的谈判代理自动谈判的连续域和不考虑指定的截止日期。代理投标策略依赖于蒙特卡罗树搜索，这是一种流行的方法，因为它已成功地用于具有高分支因子的游戏，如围棋。它使用两个对手建模技术，其投标策略和效用：高斯过程回归和贝叶斯学习。评估是通过面对现有的代理人，能够在这种情况下进行谈判：随机沃克，针锋相对和尼斯针锋相对。这些代理都没有成功击败我们的代理;此外，我们的方法的模块化和自适应性质在特定应用环境中优化它时是一个巨大的优势。
2019-03-29 cs.AI cs.MA
MCTS-based Automated Negotiation Agent
Thales Research & Technology（泰雷兹研究与技术公司）；Sorbonne Université（索邦大学）；Université de Reims Champagne Ardennes（兰斯香槟-阿登大学）；Universidade Estadual do Ceará（塞阿拉州立大学）
本文提出了一种新的谈判代理模型的自动谈判。我们专注于没有时间压力的应用程序，在连续和离散域上进行多维协商。代理投标策略依赖于蒙特卡罗树搜索，这是一种流行的方法，因为它已成功地用于具有高分支因子的游戏，如围棋。它还利用了高斯过程回归和贝叶斯学习的对手建模技术。评估是通过面对现有的代理人，能够在这种情况下进行谈判：随机沃克，针锋相对和尼斯针锋相对。没有一个特工能打败我们的特工。此外，我们的方法的模块化和自适应性质在特定应用环境中优化它时是一个巨大的优势。
2019-09-12 cs.AI cs.MA
A Data-Driven Method for Recognizing Automated Negotiation Strategies
University of Amsterdam（阿姆斯特丹大学）；Delft University of Technology（代尔夫特理工大学）
了解对手的智能体有助于与之进行谈判，现有的了解对手的工作集中在偏好建模（或估计对手的效用函数）。一个重要但基本上未探索的方向是识别对手的谈判策略，它捕捉对手的战术，例如，一开始就强硬，但到了最后期限就让步了。识别复杂的、最先进的谈判策略是极具挑战性的，简单的谈判策略可能不足以达到这一目的。我们提出了一种新的数据驱动的方法来识别对手的谈判策略。我们的方法包括一个数据生成方法的代理生成域独立的序列，通过谈判与各种对手跨域，一个特征工程方法表示谈判数据的时间序列与时间步功能和整体功能，和一个混合（基于递归神经网络）深度学习方法，从投标的时间序列识别对手的策略。我们进行了广泛的实验，跨越四个问题的情况下，证明我们的方法的有效性。
2021-10-07 cs.AI cs.MA
Automated Peer-to-peer Negotiation for Energy Contract Settlements in Residential Cooperatives
The University of Melbourne（墨尔本大学）；Centrum Wiskunde & Informatica（荷兰国家数学与计算机科学研究所）；Utrecht University（乌得勒支大学）
本文提出了一种自动化的点对点谈判策略解决能源合同之间的Prosumer在住宅能源合作社考虑异质性Prosumer的偏好。这种异质性源于产消者通过多种社会和环境标准对能源合同的评估，以及产消者对这些标准的私人偏好。产消者与同行进行双边谈判，共同商定定期能源合同/贷款，包括在该期间交换的能源量和所交换能源的返回时间。谈判的产消者通过一个共同的谈判域，包括潜在的能源合同和评估这些合同从他们的估值对所需的标准对效用函数，是强大的发电和需求的不确定性。从重复的互动中，产消者逐渐了解其同行在达成更接近纳什解的能源合同方面的兼容性。在多个系统尺度上对实际需求、发电和存储配置文件进行的实证评估表明，与基线策略和代表现状策略的个体灵活性控制策略相比，所提出的基于协商的策略可以提高系统效率（以功利社会福利衡量）和公平性（以纳什社会福利衡量）。因此，我们从点对点的灵活性交换中获得系统利益，而无需任何中央协调和市场运营商，提供了一个简单而灵活有效的范例，补充了现有的市场。
2019-11-26 cs.AI cs.MA
MOANOFS: Multi-Objective Automated Negotiation based Online Feature Selection System for Big Data Classification
REsearch Groups in Intelligent Machines（智能机器研究组）；University of Sfax（斯法克斯大学）；ENIS（斯法克斯国立工程师学院）
特征选择在学习和分类任务中起着重要的作用。FS的目的是选择相关的和非冗余的功能。由于实际应用中特征数量巨大，采用批量学习技术的FS方法无法解决大数据问题，特别是当数据顺序到达时。在本文中，我们提出了一个在线特征选择系统，解决了这个问题。更具体地说，我们把在线监督的二进制分类的特征选择的问题作为一个决策问题。这个问题的哲学视野导致两个重要领域之间的杂交：特征选择使用在线学习技术（OFS）和自动协商（AN）。提出的OFS系统称为MOANOFS（多目标自动协商基于在线特征选择）使用两个层次的决策。在第一级中，从n个学习者（或OFS方法）中，我们决定哪些是k个可信的学习者（具有高置信度或信任值）。这些选出的k学习者将参加第二级。在这个层次上，我们整合我们提出的多边自动协商的OFS（MANOFS）方法，以决定最终哪个是最好的解决方案或相关功能。我们表明，MOANOFS系统是适用于不同的领域成功地实现了高精度与几个现实世界的应用。索引术语：特征选择、在线学习、多目标自动协商、信任、分类、大数据。
2019-06-18 cs.AI cs.CV cs.LG
EmoMAS: Emotion-Aware Multi-Agent System for High-Stakes Edge-Deployable Negotiation with Bayesian Orchestration
University of Cambridge（剑桥大学）；University of Toronto（多伦多大学）
本文提出EmoMAS，一种基于贝叶斯协调的多智能体框架，通过融合情感决策模型提升高风险谈判性能，同时在隐私敏感的边缘设备上实现高效部署。
2026-04-12 cs.AI
RobEthiChor: Automated Context-aware Ethics-based Negotiation for Autonomous Robots
Department of Information Engineering and Information Sciences and Mathematics, University of L’Aquila（信息工程与信息科学及数学系，拉奎拉大学）；Department of Computer Science, Gran Sasso Science Institute（计算机科学系，格兰萨索科学研究所）
针对自主系统无法融合用户伦理偏好、多系统交互时难达成伦理共识的问题，提出可融合伦理偏好与上下文的RobEthiChor协商方法及ROS实现，经真实机器人资源争用实验验证，其协商成功率超73%、平均耗时0.67秒且具备可扩展性。
2025-10-29 cs.AI cs.SE
ChargingBoul: A Competitive Negotiating Agent with Novel Opponent Modeling
Joe Shymanski（独立研究者）
ChargingBoul通过平衡让步与对手建模，在自动化谈判竞赛中取得优异成绩，展示了其在多策略对手环境中的高效谈判能力。
2025-12-06 cs.AI cs.MA
A Deep Reinforcement Learning Approach to Concurrent Bilateral Negotiation
Royal Holloway, University of London（伦敦大学皇家霍洛威学院）；King Saud University（沙特国王大学）
我们提出了一种新的谈判模型，允许代理学习如何在未知的和动态的电子市场中进行双边谈判。该代理使用具有无模型强化学习的演员-评论家架构来学习表示为深度神经网络的策略。我们通过综合市场数据的监督来预训练策略，从而减少谈判过程中学习所需的探索时间。因此，我们可以建立自动代理的并发谈判，可以适应不同的电子市场设置，而不需要预先编程。我们的实验评估表明，我们的深度强化学习为基础的代理优于现有的两个众所周知的谈判策略，在一对多的并发双边谈判的电子市场设置的范围。
2020-02-03 cs.AI cs.MA
Increasing negotiation performance at the edge of the network
Cardiff University（卡迪夫大学）；University of Brescia（布雷西亚大学）
自动协商已被用于各种分布式设置中，例如物联网（IoT）设备中的隐私和智能电网中的配电。这些代理商协商的最常见协议是交替提供协议（AOP）。在该协议下，代理商不能向对方表达任何额外的信息，除了还价。这可能导致不必要的长协商，例如，当协商不可能时，有浪费带宽的风险，而带宽是网络边缘的宝贵资源。虽然存在缓解这一问题的替代协议，但这些解决方案对于低功耗设备（例如在网络边缘运行的物联网传感器）来说过于复杂。为了改善这一瓶颈，我们引入了一个扩展AOP称为交替约束提供协议（ACOP），在代理也可以表达约束对方。这使得智能体能够更有效地搜索可能性空间，并更快地识别不可能的情况。我们的经验表明，代理使用ACOP可以显着减少谈判的消息数量，独立的策略代理选择。特别是，我们展示了我们的方法显着减少了消息的数量时，协议是不可能的。此外，当一个协议是可能的，它达成这个协议更快，没有负面影响的效用。
2020-03-30 cs.AI
The Automated but Risky Game: Modeling and Benchmarking Agent-to-Agent Negotiations and Transactions in Consumer Markets
Stanford University（斯坦福大学）；University of Toronto（多伦多大学）；Google DeepMind（谷歌DeepMind）；University of Southern California（南加州大学）；Massachusetts Institute of Technology（麻省理工学院）
本文构建实验框架评测多种LLM智能体在消费者市场全自动谈判与交易中的表现，发现不同智能体为用户争取的结果差异显著，且LLM行为异常可导致双方财务损失，提示用户应谨慎委托AI进行商业决策。
2025-09-20 cs.AI cs.CL cs.CY
Dialogue Diplomats: An End-to-End Multi-Agent Reinforcement Learning System for Automated Conflict Resolution and Consensus Building
School of Computing and Engineering（计算与工程学院）；College of Engineering（工程学院）；University of Wollongong（沃灵顿大学）
Dialogue Diplomats通过端到端多智能体强化学习框架，结合分层共识网络、渐进谈判协议和上下文感知奖励机制，实现复杂环境中的自动化冲突解决与共识构建。
2025-11-20 cs.AI cs.MA
CaSiNo: A Corpus of Campsite Negotiation Dialogues for Automatic Negotiation Systems
University of Southern California（南加州大学）；Rollins College（罗林斯学院）；CUNY Lehman College（纽约城市大学雷曼学院）
与人类谈判的自动化系统在教育学和对话AI中有广泛的应用。为了促进实用谈判系统的发展，我们提出了CaSiNo：一个新的语料库，超过一千个英语谈判对话。参与者扮演营地邻居的角色，为即将到来的旅行协商食物，水和柴火包。我们的设计导致多样化和语言丰富的谈判，同时保持一个听话的，封闭的域环境。受人与人谈判文献的启发，我们对说服策略进行了诠释，并进行了相关分析，以了解对话行为与谈判绩效之间的关系。我们进一步提出并评估了一个多任务框架来识别这些策略在一个给定的话语。我们发现多任务学习大大提高了所有策略标签的性能，尤其是那些最倾斜的策略标签。我们发布了数据集、注释和代码，以推动人机谈判的未来工作：https://github.com/kushalchawla/CaSiNo
2021-04-29 cs.AI cs.CL cs.HC
Learnable Strategies for Bilateral Agent Negotiation over Multiple Issues
Royal Holloway, University of London（伦敦大学皇家霍洛威学院）
我们提出了一种新的双边谈判模型，允许一个自私的代理学习如何在用户偏好的不确定性存在的多个问题进行谈判。该模型依赖于可解释的策略模板，代表代理在谈判过程中应该采用的策略，并学习模板参数，以最大限度地提高在多次谈判中收到的平均效用，从而导致最佳的投标接受和生成。我们的模型还使用深度强化学习来评估阈值效用值，用于那些需要它们的策略，从而为每个环境状态导出最佳效用。为了处理用户偏好的不确定性，该模型依赖于一个随机搜索，以找到最符合给定的部分偏好配置文件的用户模型。多目标优化和多标准决策方法应用于谈判时间，以产生帕累托最优结果，从而增加成功（双赢）谈判的数量。严格的实验评估表明，代理采用我们的模型优于获奖代理的第10届自动谈判代理竞争（ANAC'19）的个人以及社会福利效用。
2022-01-07 cs.AI cs.MA
Belief-Desire-Intention (BDI) Multi-agent System for Cloud Marketplace Negotiation
Twitter, Inc.（推特公司）
随着云计算的发展，越来越多的大型企业将其基础设施和工作负载扩展到公共云中。提出了一个基于信念-愿望-意图（BDI）多Agent的云资源云市场系统的完整框架。云市场系统中的每一方都支持BDI代理进行自主决策和协商，以促进资源的自动购买和销售。此外，来自竞争相同云资源的企业的多个BDI代理可以经由主协商交换所彼此协商，以在协商云资源时最小化企业的总体成本函数。云市场系统进一步增强了代理的行为规范和信誉指数的分配，以促进他们之间的信任。
2022-06-16 cs.AI cs.DC cs.MA
An Autonomous Negotiating Agent Framework with Reinforcement Learning Based Strategies and Adaptive Strategy Switching Mechanism
NEC Corporation（日本电气股份有限公司）
尽管文献中有大量的谈判策略，但自动谈判的复杂性使得单个策略在不同的谈判场景中无法占主导地位。为了克服这一点，一种方法是使用混合专家模型，但同时，这种方法的一个问题是专家的选择，因为这种方法受到所选择的专家的能力的限制。大多数谈判策略的另一个问题是它们不能适应对手在单个谈判会话中的行为的动态变化，从而导致性能不佳。这项工作侧重于两个，解决专家选择和适应对手的行为与我们的自主谈判代理框架的问题。该框架允许对手的行为的实时分类，并提供了一种机制，选择，切换或组合策略在一个单一的谈判会话。此外，我们的框架有一个审查员组件，使自我增强的能力，决定包括新的战略或更换旧的更好的战略定期。我们通过使用基于深度学习的对手分类器实现基于最大熵强化学习的策略来演示我们的框架的实例。最后，我们评估我们的代理对国家的最先进的谈判者在不同的谈判场景下的性能。
2021-02-09 cs.AI cs.MA
Evolutionary-aided negotiation model for bilateral bargaining in Ambient Intelligence domains with complex utility functions
Universidad Politécnica de Valencia（瓦伦西亚理工大学）
环境智能旨在提供个性化的服务以及人与系统之间更轻松的交互方式。由于多个用户和系统可能在这些环境中共存，因此具有相反偏好的实体很可能需要合作以达到各自的目标。自动协商被认为是解决这类问题的机制之一。在这篇文章中，一个多问题的双边谈判模型的环境智能领域，它是假设代理具有计算有限的资源，不知道他们的对手的喜好。这项工作的主要目标是提供谈判模型，获得有效的协议，同时保持计算成本低。小生境遗传算法是使用前的谈判过程中采样自己的效用函数（自采样）。在谈判过程中，遗传算子被应用于对手和自己的报价，以便对双方感兴趣的新报价进行采样。结果表明，该模型是能够优于相似的竞争力，只有采样前的谈判过程中，并获得类似的结果，以相似的竞争力，有机会获得所有可能的报价。
2016-04-16 cs.AI cs.GT cs.MA
A Negotiator's Backup Plan: Optimal Concessions with a Reservation Value
Utrecht University（乌得勒支大学）
本文针对具有私有保留值的双边自动谈判，提出名为 MIA-RVelous 的最优出价策略，通过贪心算法在 O(n²D) 时间内求解最优出价序列，并指出该结果有助于利用并发谈判作为概率性后备计划。
2024-04-30 cs.AI cs.GT
Device-Native Autonomous Agents for Privacy-Preserving Negotiations
本文提出基于设备的自主代理系统，通过零知识证明和本地推理实现隐私保护的谈判，实验显示在保险和B2B采购场景中成功率高，隐私保护效果显著。
2026-04-22 cs.AI cs.CR cs.ET
Hierarchical Server Architecture for Agentic Science
Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）
针对智能体科学的资源调度需求，提出分层动态架构及软件，借助秘书智能体在云、边缘和HPC系统中发现资源，经模拟验证其协商准确率达87.71%，选择成本与传统策略相当，可支持Genesis Mission。
2026-09-09 cs.AI cs.DC
ArgRE: Formal Argumentation for Conflict Resolution in Multi-Agent Requirements Negotiation
Department of Computer Science and Communications Engineering, Waseda University（早稻田大学计算机科学与通信工程系）；College of Architecture and Urban Planning, Tongji University（同济大学建筑与城市规划学院）；Advanced Institute of So-Go-Chi (Convergence Knowledge) Informatics, Tohoku University（东北大学So-Go-Chi（融合知识）信息学高级研究所）；Aisin Corporation（日产公司）
ArgRE通过嵌入Dung风格的抽象论证，提供多智能体需求协商中的冲突解决，提升可审计性与合规性。
2026-04-25 cs.AI cs.SE
Curiosity-Aware Bargaining
Kyriba；Université Pierre et Marie Curie（皮埃尔和玛丽·居里大学）；Université de Reims Champagne Ardennes（兰斯香槟阿登大学）
对手建模包括对代理的策略或偏好进行建模，这要归功于它提供的数据。在自动化谈判和机器学习的背景下，它可以产生压倒性的优势，以至于它可能会限制一些临时代理成为谈判过程的一部分。我们有资格作为“好奇”的代理人的谈判的愿望，以收集信息和改善其对手的模型驱动。然而，在自动协商中，基于好奇心的理性协议和好奇心-鲁棒协议还没有被研究。在本文中，我们依靠机制设计提出了三个扩展的标准讨价还价协议，限制信息泄漏。这些扩展是由一个增强的合理性模型，认为交换信息的支持。并对它们进行了理论分析和实验评价。
2016-12-30 cs.AI cs.MA
Towards an Ontology for Scenario Definition for the Assessment of Automated Vehicles: An Object-Oriented Framework
TNO；Delft University of Technology（代尔夫特理工大学）；Radboud University（拉德堡德大学）；Symphony Co.（Symphony公司）；getthere（2getthere）；Eindhoven University of Technology（埃因霍温理工大学）
本文提出一种面向对象的框架，为自动驾驶车辆评估定义了全面且可操作的场景概念，通过将场景及其构建模块定义为对象类，促进了场景建模的清晰性、模块化、可重用性和封装性。
2021-12-13 cs.AI cs.SE
Richelieu: Self-Evolving LLM-Based Agents for AI Diplomacy
Institute for Artificial Intelligence（人工智能研究院）；Computer School（计算机学院）；School of Artificial Intelligence（人工智能学院）；Center on Frontiers of Computing Studies（计算前沿研究中心）；State Key Laboratory of General Artificial Intelligence（通用人工智能国家重点实验室）；Nat’l Eng. Research Center of Visual Technology（视觉技术国家工程研究中心）；State Key Lab of General Artificial Intelligence（通用人工智能国家重点实验室）；BIGAI
Richelieu通过整合战略规划、目标导向谈判和自我进化能力，开发出能执行复杂多代理任务的AI外交代理。
2024-10-23 cs.AI cs.MA cs.SI
DeepSurvey: Agent-Oriented Automated Survey Generation with Analytical Depth and Citation Reliability
X-LANCE Lab, School of Computer Science, Shanghai Jiao Tong University, Shanghai, China（上海交通大学计算机科学学院X-LANCE实验室）；Jiangsu Key Lab of Language Computing, Suzhou, China（江苏省语言计算重点实验室）；Suzhou Laboratory, Suzhou, China（苏州实验室）
提出DeepSurvey智能体系统，通过结构化全文笔记、跨论文关系建模和代码仓库分析增强分析深度，结合引文图扩展与混合过滤、证据约束引用分配及多粒度智能体精炼提升引用可靠性，在内容质量和引用准确性上超越现有方法。
2026-09-30 cs.AI
What's to know? Uncertainty as a Guide to Asking Goal-oriented Questions
Australian Institute of Machine Learning（澳大利亚机器学习研究所）；The University of Adelaide（阿德莱德大学）
视觉对话问题的核心挑战之一是提出能够提供最有用信息的问题，以实现所需的目标。鼓励智能体提出正确的问题是困难的，因为我们不知道智能体需要什么信息来完成任务，我们也没有一个明确的模型来描述它已经知道的东西。我们提出了一个解决这个问题的贝叶斯模型的基础上的不确定性的隐式模型保持的视觉对话代理，并在用于选择适当的输出的功能。通过选择问题，最大限度地减少预测后悔相对于这个隐式模型的代理积极减少歧义。不确定性的贝叶斯模型还使得能够使用原则性方法来确定何时已经获得足够的信息，并且应该选择行动。我们评估我们的方法在两个面向目标的对话数据集，一个是基于视觉的协作任务，另一个是基于协商的任务。我们的不确定性感知信息搜索模型在这两个具有挑战性的问题优于其同行。
2018-12-16 cs.AI cs.CL cs.LG
Choose Your Agent: Tradeoffs in Adopting AI Advisors, Coaches, and Delegates in Multi-Party Negotiation
Harvard University（哈佛大学）；Google DeepMind Canada（谷歌深Mind加拿大）；Google DeepMind United States（谷歌深Mind美国）；Google DeepMind New York United States（谷歌深Mind纽约美国）
研究探讨了在多方谈判中采用AI顾问、教练和代理的权衡，发现尽管参与者更偏好具有更高控制权的顾问，但代理模式能显著提升集体收益，揭示了AI生成提议与人类行为之间的过滤效应。
2026-06-27 cs.AI cs.GT cs.HC
TS-Reasoner: Domain-Oriented Time Series Inference Agents for Reasoning and Automated Analysis
本文提出TS-Reasoner，一种面向领域的时序推理代理，结合大语言模型与领域工具，实现多步推理和约束感知分析，实验表明其在时序理解与多步推理任务中优于通用LLM。
2026-04-10 cs.AI cs.LG
UP-NRPA: User Portrait based Nested Rollout Policy Adaptation for Planning with Large Language Models in Goal-oriented Dialogue Systems
School of Artificial Intelligence, Anhui University（安徽大学人工智能学院）；Anhui Provincial Key Laboratory of Security Artificial Intelligence, Anhui University（安徽大学安徽省安全人工智能重点实验室）；Pengcheng Laboratory（鹏城实验室）
提出 UP-NRPA 在线框架，利用大语言模型和用户画像实时自适应调整对话策略，无需离线强化学习，在协作与非协作对话基准中实现 100% 任务成功率，谈判任务销售列表比提升 56.41%。
2026-06-15 cs.AI cs.CL
Modelling Value-oriented Legal Reasoning in LogiKEy
University of Bamberg（班贝格大学）；Freie Universität Berlin（柏林自由大学）；Université du Luxembourg（卢森堡大学）
逻辑多元LogiKEy知识工程方法和框架适用于法律平衡理论的建模，其中法律知识（案例和法律）是通过利用上下文相关的价值偏好编码。然后使用所获得的理论来形式化，自动评估，并重建说明性的财产法案件（涉及占用野生动物）的Isabelle证明助手系统内，说明如何LogiKEy可以利用交互式和自动化定理证明技术提供一个测试平台的发展和形式化验证的法律领域特定的语言和理论。在该框架中，我们建立了新的桥梁，最新的研究在知识表示和推理的非经典逻辑，自动化定理证明，并在法律推理中的应用。
2022-03-30 cs.AI cs.LO
Ethics of generative AI and manipulation: a design-oriented research agenda
本文指出生成式AI带来大规模自动化操纵风险且尚未被充分研究，提出了涵盖概念、实证与设计维度的研究议程，强调需对操纵进行适当概念化以确保技术负责任发展。
2025-02-01 cs.AI cs.CY
STREAM: A Data-Centric Framework for Mining High-Value Task-Oriented Dialogues from Streaming Media
Harbin Institute of Technology（哈尔滨工业大学）；Byering Technology（伯英技术）
提出STREAM框架，利用流媒体数据合成大规模多领域任务导向对话数据集StreamDial，通过角色构建和对话蓝图结合RAG生成高质量对话，解决数据稀缺问题。
2026-05-24 cs.AI cs.CL
Check Your Facts and Try Again: Improving Large Language Models with External Knowledge and Automated Feedback
Microsoft Research（微软研究院）；Columbia University（哥伦比亚大学）
诸如ChatGPT之类的大语言模型（LLM）能够为许多下游任务生成类似人类的流畅响应，例如，以任务为导向的对话和问答。然而，将LLM应用于现实世界的关键任务应用程序仍然具有挑战性，主要是因为它们倾向于产生幻觉，并且无法使用外部知识。本文提出了一种LLM增强器系统，它增加了一组即插即用模块的黑盒LLM。我们的系统使LLM生成基于外部知识的响应，例如，存储在特定任务的数据库中。它还迭代地修改LLM提示，以使用由效用函数生成的反馈来改善模型响应，例如，LLM生成的响应的真实性得分。LLM-Augmenter的有效性进行了实证验证两种类型的场景，面向任务的对话和开放域问答。LLM-Augmenter可以显着减少ChatGPT的幻觉，同时又不牺牲其响应的流畅性和信息量。我们公开源代码和模型。
2023-03-08 cs.AI cs.CL
Bootstrapping LLM-based Task-Oriented Dialogue Agents via Self-Talk
IT University of Copenhagen（哥本哈根信息技术大学）；Pioneer Centre for Artificial Intelligence（先锋人工智能中心）；AWS AI Labs（亚马逊云科技人工智能实验室）
提出基于LLM自言自语的数据生成方法，通过多角色对话产生训练数据并利用自动化指标过滤，有效提升任务型对话智能体在特定工作流中的监督微调效果。
2024-01-10 cs.AI cs.CL
Toward Purpose-oriented Topic Model Evaluation enabled by Large Language Models
本研究提出利用大语言模型构建面向目的的自动化主题模型评估框架，通过九种指标覆盖四个质量维度，在多种数据集上验证，能揭示传统指标忽略的冗余和语义漂移问题，支持可扩展的细粒度评估。
2025-09-08 cs.AI cs.CL cs.DL
Developing Corpus-based Translation Methods between Informal and Formal Mathematics: Project Description
University of Innsbruck（因斯布鲁克大学）；Radboud University Nijmegen（拉德堡德大学奈梅亨分校）；Czech Technical University（捷克理工大学）
该项目的目标是（一）积累注释的非正式/正式的数学语料库，适合于通过统计机器翻译方法训练非正式和正式数学之间的半自动翻译，（二）开发面向形式化任务的方法，特别是（三）将这些方法与学习辅助自动推理相结合，作为一个强大的语义组件。我们描述了这些想法，最初的语料库，并在他们身上做了一些初步的实验。
2014-05-14 cs.AI cs.DL
Beyond Text Matching: Towards Reference-Free Evaluation for Human-Oriented Binary Reverse Engineering
University of Science and Technology of China（中国科学技术大学）；Singapore Management University（新加坡管理大学）
本文针对HOBRE的三项任务，首次系统研究LLM-as-a-Judge评估范式，推出无参考基准BinJudgeBench，提出自适应选择最优配置的BinJudge，提升评估相关性并降低API成本。
2026-08-10 cs.AI cs.CR cs.SE
LLM-based Frameworks for API Argument Filling in Task-Oriented Conversational Systems
Seoul National University（首尔大学）；Amazon（亚马逊）
本文研究大语言模型在面向任务对话系统中API参数填充任务的应用，提出训练和提示框架以接地LLM响应，实验证明所提技术显著提升参数填充性能，为自动化参数填充框架奠定基础。
2024-06-27 cs.AI cs.CL
Automated QoR improvement in OpenROAD with coding agents
UC San Diego（UC圣地亚哥大学）
AuDoPEDA通过自主编码代理在OpenROAD中实现EDA技术的自动化改进，显著提升QoR指标。
2026-02-09 cs.AI cs.SE
Rule-based Knowledge Representation for Service Level Agreement
自动化管理和监控服务契约（如服务级别协议（SLA）或更高级别的策略）对于具有高服务质量（QoS）级别的高效可靠的分布式面向服务的体系结构（SOA）至关重要。IT服务提供商需要为不同的客户和不同类型的服务管理、执行和维护数千个SLA，这需要当前技术无法提供的新级别的灵活性和自动化。我提出了一种新的基于规则的知识表示（KR）的SLA规则和相应的基于规则的服务水平管理（RBSLM）框架。我的基于规则的方法基于逻辑编程提供了几个优点，包括自动规则链接，允许紧凑的知识表示和高水平的自动化，以及灵活性，以适应快速变化的业务需求。因此，我解决了一个迫切的需求，面向服务的企业现在确实是动态地改变他们的业务和合同逻辑，以适应快速变化的业务环境，并克服缓慢变化周期的限制性质。
2006-09-21 cs.AI cs.DB cs.LO
Automated Vehicles Should be Connected with Natural Language
Texas A&M University（德克萨斯农工大学）
本文提出用自然语言替代传统感知数据作为自动驾驶车辆间的通信媒介，以解决带宽、信息完整性和互操作性不足的问题，并推动协同驾驶从被动感知共享转向主动意图协调。
2025-06-29 cs.AI cs.CL cs.CV
