AI Agent

EHRNavigator: A Multi-Agent System for Patient-Level Clinical Question Answering over Heterogeneous Electronic Health Records

EHRNavigator: 一种用于异构电子健康记录上患者级临床问答的多智能体系统

Lingfei Qian, Mauro Giuffre, Yan Wang, Huan He, Qianqian Xie, Xuguang Ai, Xeuqing Peng, Fan Ma, Ruey-Ling Weng, Donald Wright, Adan Wang, Qingyu Chen, Vipina K. Keloth, Hua Xu

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；AI agent(abstract)；分类 cs.CL

AI总结 EHRNavigator通过多智能体系统在异构电子健康记录上实现患者级临床问答，展示出高准确率和高效响应，有效连接基准评估与临床应用。

Fairness Driven Multi-Agent Path Finding Problem

基于公平性的多智能体路径寻找问题

Aditi Anand, Dildar Ali, Suman Banerjee

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；planning(abstract)

AI总结 本文提出基于公平性的多智能体路径寻找问题解决方案，针对理性与非理性智能体分别设计机制和启发式方法，确保激励相容与个体理性。

Comments This paper has been accepted in the 18th International Conference on Agents and Artificial Intelligence (ICCART 2026)

Adaptive Orchestration: Scalable Self-Evolving Multi-Agent Systems

自适应编排：可扩展的自进化多智能体系统

Sathish Sampath, Anuradha Baskaran

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；autonomous agent(abstract)

AI总结 本文提出了一种自进化多智能体系统，通过动态专家混合方法解决大规模自主代理的泛化-专业化困境，提升任务成功率并减少资源消耗。

Collaborative Multi-Agent Test-Time Reinforcement Learning for Reasoning

协同多智能体测试时间强化学习用于推理

Zhiyuan Hu, Yunhai Hu, Juncheng Liu, Shuyue Stella Li, Yucheng Wang, Zhen Xu, See-Kiong Ng, Anh Tuan Luu, Xinxing Xu, Bryan Hooi, Cynthia Breazeal, Hae Won Park

机构 * MIT（麻省理工学院） ； NUS（新加坡国立大学） ； NYU（纽约大学） ； Microsoft（微软） ； Columbia（哥伦比亚大学） ； NTU（国立科技大学） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI、cs.CL

AI总结 MATTRL通过在推理阶段注入结构化文本经验，提升多智能体在医学、数学和教育等领域的推理准确性，比多智能体基线提升3.67%，比单智能体基线提升8.67%。

Comments Work in Progress

From Single to Multi-Agent Reasoning: Advancing GeneGPT for Genomics QA

从单 agent 到多 agent 推理：提升 GeneGPT 的基因组 QA 能力

Kimia Abedini, Farzad Shami, Gianmaria Silvello

机构 * University of Padua, Italy（帕多瓦大学，意大利） ； Aalto University, Finland（阿alto大学，芬兰） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI

AI总结 GenomAgent通过多 agent框架提升基因组 QA 能力，实现对复杂基因组查询的高效处理，并在多个任务中超越现有系统。

Comments Accepted paper by the 48th European Conference on Information Retrieval (ECIR'26)

STEAMROLLER: A Multi-Agent System for Inclusive Automatic Speech Recognition for People who Stutter

STEAMROLLER: 一种面向口吃者的包容性自动语音识别多智能体系统

Ziqi Xu, Yi Liu, Yuekang Li, Ling Shi, Kailong Wang, Yongxin Zhao

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)

AI总结 STEAMROLLER通过多智能体框架提升口吃者语音识别的准确性和用户体验，实现更包容的AI技术应用。

Adversarial Multi-Agent Reinforcement Learning for Proactive False Data Injection Detection

对抗性多智能体强化学习用于主动虚假数据注入检测

Kejun Chen, Truc Nguyen, Abhijeet Sahu, Malik Hassanaly

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)

AI总结 本文提出基于多智能体强化学习的对抗性防御策略，通过模拟攻击者和防御者智能体，实现对未知虚假数据注入攻击的主动检测与防御。

SAGE: Tool-Augmented LLM Task Solving Strategies in Scalable Multi-Agent Environments

SAGE：可扩展多智能体环境中基于工具的LLM任务解决策略

Robert K. Strehlow, Tobias Küster, Oskar F. Kupke, Brandon Llanque Kurps, Fikret Sivrikaya, Sahin Albayrak

机构 * Technische Universität Berlin（柏林技术大学） ； DAI-Labor, TU Berlin, Chair of Agent Technologies（柏林技术大学DAI实验室，代理技术系） ； GT-ARC gGmbH（GT-ARC公司） 纠错

专题命中 多智能体 ：agent(title)；multi-agent(title)；agentic(abstract)；分类 cs.AI、cs.SE

AI总结 SAGE通过OPACA框架实现动态工具整合，提供灵活的任务解决策略，提升LLM在多智能体环境中的效率与适应性。

Beyond Rule-Based Workflows: An Information-Flow-Orchestrated Multi-Agents Paradigm via Agent-to-Agent Communication from CORAL

超越基于规则的工作流：通过CORAL的agent-to-agent通信实现的信息流协调多智能体范式

Xinxing Ren, Quagmire Zang, Caelum Forder, Suman Deb, Ahsen Tahir, Roman J. Georgio, Peter Carroll, Zekun Guo

机构 * Coral Protocol（Coral协议） ； Brunel University of London（伦敦布鲁内尔大学） ； Universitéit Lëtzebuerg（列日大学） ； University of Hull（霍尔姆大学） ； National University of Computer and Emerging Sciences（国家计算机与新兴科学大学） 纠错

专题命中 多智能体 ：agent(title,abstract)；workflow(abstract)；multi-agent(abstract)；分类 cs.AI

AI总结 本文提出了一种基于信息流协调的多智能体范式，通过agent-to-agent通信替代传统工作流，提升任务处理的灵活性和鲁棒性。

Step-by-Step Causality: Transparent Causal Discovery with Multi-Agent Tree-Query and Adversarial Confidence Estimation

逐步因果：基于多智能体树查询和对抗性置信度估计的透明因果发现

Ziyi Ding, Chenfei Ye-Hao, Zheyuan Wang, Xiao-Ping Zhang

机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University, Shenzhen, China（清华大学深圳国际研究生院） ； Zhili College, Tsinghua University, Beijing, China（清华大学哲利学院） 纠错

专题命中 多智能体 ：agent(title)；multi-agent(title)；分类 cs.AI、cs.LG

AI总结 本文提出Tree-Query框架，通过多专家LLM和对抗性置信度估计，实现透明、可解释的因果发现，提升数据自由环境下的因果推理能力。

PCN-Rec: Agentic Proof-Carrying Negotiation for Reliable Governance-Constrained Recommendation

PCN-Rec: 基于代理的证明携带协商用于可靠约束下的推荐

Aradhya Dixit, Shreem Dixit

机构 * Wake Technical Community College（韦克技术社区学院） ； University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校） 纠错

专题命中 多智能体 ：agentic(title)；agent(abstract)；分类 cs.AI

AI总结 PCN-Rec通过代理证明携带协商机制，在满足治理约束的同时提升推荐可靠性与准确性。

When Should a Principal Delegate to an Agent in Selection Processes?

在选拔过程中，主管何时应将权力委托给代理人？

Benjamin Fish, Diptangshu Sen, Juba Ziani

专题命中 多智能体 ：agent(title,abstract)

AI总结 研究探讨了在选拔过程中，主管何时应将决策权委托给代理人，通过分析噪声信号模型下的效用、申请人质量及公平性，确定委托的条件。

Comments 31 pages.Subsumes and expands on the previous version titled 'Centralization vs Decentralization in Hiring and Admissions'

Generative AI collective behavior needs an interactionist paradigm

生成式AI的集体行为需要一种互动主义范式

Laura Ferrarotti, Gian Maria Campedelli, Roberto Dessì, Andrea Baronchelli, Giovanni Iacca, Kathleen M. Carley, Alex Pentland, Joel Z. Leibo, James Evans, Bruno Lepri

机构 * Fondazione Bruno Kessler（布雷诺·克塞尔基金会） ； University of Trento（特伦托大学） ； Not Diamond ； City St. George’s University of London（伦敦圣乔治大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Stanford University（斯坦福大学） ； Google DeepMind（谷歌DeepMind） ； University of Chicago（芝加哥大学） 纠错

专题命中 多智能体 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出生成式AI的集体行为研究需采用互动主义范式，以系统分析知识与社会情境的交互作用。

Inverse Learning in $2\times2$ Games: From Synthetic Interactions to Traffic Simulation

2×2博弈中的逆向学习：从合成互动到交通模拟

Daniela Aguirre Salazar, Firas Moatemri, Tatiana Tatarenko

专题命中 多智能体 ：agent(abstract)；multi-agent(abstract)

AI总结 本文提出两种逆向博弈学习方法，用于2×2博弈和交通模拟，探讨了静态均衡与动态行为之间的平衡及模型的权衡。