AI Agent

How network perturbations distort agreement trajectories in LTI multi-agent systems

网络扰动如何扭曲线性时不变多智能体系统中的一致性轨迹

Gal Barkai, Irinel-Constantin Morărescu

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

AI总结 研究网络扰动对线性时不变多智能体系统一致性轨迹的影响，通过建立拉普拉斯域准则等方法，揭示经典鲁棒同步存在漏洞，如同步到周期轨迹易被传输延迟破坏，d正则拓扑下传输扰动会使系统同步到新频率，强调需对网络参考生成器进行结构修改。

Comments 12 pages, 9 figures, submitted to IEEE for possible publication

On Optimal Event-Triggered Distributed Control for Stochastic Multi-Agent Systems via Reinforcement Learning

基于强化学习的随机多智能体系统最优事件触发分布式控制

Ziming Wang, Bingbing Li, Karl H. Johansson, Apostolos I. Rikos

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

AI总结 针对含随机不确定性的多智能体系统，提出基于强化学习的最优分布式控制算法，采用 actor-critic-identifier 结构，用低通滤波器和混合事件触发控制策略，经稳定性证明，在仿真中验证正确性并与非最优算法比较突出优势。

Laplacian Spectral Shaping for Non-Uniform Scaling Formation Control of Open Multi-Agent Systems

用于开放多智能体系统非均匀缩放编队控制的拉普拉斯谱整形

Tao He, Gangshan Jing

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

AI总结 研究开放多智能体系统非均匀缩放编队控制问题，开发分布式协议调整拉普拉斯矩阵部分权重，能在动态拓扑变化下保留期望编队谱，具有更稀疏传感图、无需预定义层次结构和支持领导者重新分配等优势，经理论分析和模拟验证有效。

DeliCIR: Memory-Guided Test-Time Deliberation via Multi-Agent Collaboration for Composed Image Retrieval

DeliCIR: 用于组合图像检索的深思型测试时进化分层多智能体

Xingtian Pei, Yukun Song, Changwei Wang, Shunpeng Chen, Rongtao Xu, Shengpeng Xu, Shibiao Xu

机构 * Key Laboratory of Computing Power Network and Information Security, Ministry of Education, Shandong Computer Science Center (National Supercomputer Center in Jinan), Qilu University of Technology (Shandong Academy of Sciences)（计算机网络与信息安全部重点实验室，教育部，山东计算机科学中心（济南国家超算中心），青岛科技大学（山东科学院）） ； School of Artificial Intelligence, Beijing University of Posts and Telecommunications（北京邮电大学人工智能学院） ； School of Artificial Intelligence, Mohamed bin Zayed University（Mohamed bin Zayed大学人工智能学院） 纠错

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

AI总结 提出一种分层感知-深思框架PDF，通过分层多智能体架构、意图路由管理器、决策管理器及锦标赛式测试时缩放策略，实现经验自进化与测试时缩放定律在组合图像检索中的首次应用，在三个基准数据集上达到最优性能。

Comments 10 pages, 3 figures,4 tables

A Visualization Framework for Exploring Multi-Agent-Based Simulations Case Study of an Electric Vehicle Home Charging Ecosystem

多智能体仿真可视化框架：电动汽车家庭充电生态系统的案例研究

Kristoffer Christensen, Bo Nørregaard Jørgensen, Zheng Grace Ma

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

AI总结 本文提出一种可视化框架，用于探索多智能体仿真中的涌现行为，通过案例研究展示其在电动汽车家庭充电生态系统中的应用与价值。

Journal ref Energy Informatics. EIA Nordic 2025. Lecture Notes in Computer Science, vol 16095

A hierarchical memory architecture overcomes context limits in long-horizon multi-agent computational modeling

分层内存架构克服长期多智能体计算建模中的上下文限制

Shivendra G. Tewari, Holly Kimko

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

AI总结 研究针对大语言模型在长期多智能体计算建模中因无状态架构受限的问题，提出Ensemble QSP多智能体框架，其分层内存架构可保持上下文稳定，经测试能自主进行药代动力学 - 药效学模型选择，提升参数恢复能力，且架构与领域无关。

Comments 19 pages, 4 figures, 2 tables. Preprint submitted for publication

An Agent-Centric Dynamical Systems Perspective on Multi-Agent Reinforcement Learning

基于智能体中心动力系统视角的多智能体强化学习

James Rudd-Jones, María Pérez-Ortiz, Mirco Musolesi

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

AI总结 提出将多智能体强化学习训练建模为耦合随机动力系统，利用动力系统理论分析智能体行为的稳定性和敏感性，以应对随机性挑战。

MAGiSt3R: Multi-Agent Feed-forward 3D Reconstruction from Monocular RGB Videos

MAGiSt3R：基于单目RGB视频的多智能体前馈3D重建

Ziren Gong, Xiaohan Li, Fabio Tosi, Ninghui Xu, Stefano Mattoccia, Jianfei Cai, Matteo Poggi

机构 * University of Bologna（博洛尼亚大学） ； The University of Hong Kong（香港大学） ； Southeast University（东南大学） ； Monash University（莫纳什大学） 纠错

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

AI总结 研究基于单目RGB视频的多智能体3D重建问题，核心方法是用3R家族前馈模型和MAGMA合并模型，并进行姿态图优化，主要贡献是在合成和真实数据集上验证该框架相比现有方法有更高重建和相机跟踪精度。

COLMAR: Cooperative View Policy Learning for Multi-Agent Active 3D Reconstruction

COLMAR：用于多智能体主动3D重建的协作视图策略学习

Phu Pham, Damon Conover, Aniket Bera

机构 * Purdue University（普渡大学） ； DEVCOM Army Research Laboratory（陆军研究实验室） 纠错

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

AI总结 研究多智能体主动3D重建中协调效率低的问题，提出COLMAR框架，将视点分配作为共享策略优化，用参数共享PPO训练，结合3DGS重建，实验表明相比基线在传感预算匹配时重建精度和覆盖率显著提升。

Comments 8 pages, 5 figures, IROS 2026

JW-ASTClaw: A Generalizable Multi-Agent Framework for Autonomous Solar Telescope and Its Implementation within Chinese Meridian Project

JW-ASTClaw：一种用于自主太阳望远镜的通用多智能体框架及其在中国子午工程中的实现

Li-Yue Tong, Jia-Ben Lin, Yuan-Yong Deng, Ying-Zi Sun, Ming-Fu Shao, Hui Wang, Chen Yang

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

AI总结 研究将大语言模型驱动的自主控制系统部署在太阳望远镜上，采用多智能体框架及解耦三层架构，通过感知智能体编码专业知识，经中央推理引擎处理，实现实时自适应调度，跨季节验证效果良好，提升了观测等多方面能力。

Comments 17 pages, 6 figures,

Real-time adaptive quantum error correction by model-free multi-agent learning

通过无模型多智能体学习实现实时自适应量子纠错

Manuel Guatto, Francesco Preti, Michael Schilling, Tommaso Calarco, Francisco Andrés Cárdenas-López, Felix Motzoi

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

AI总结 研究针对现实硬件中错误通道随时间漂移的问题，提出将量子纠错分为离线码发现和在线自适应的统一框架，利用多智能体强化学习和BRAVE实现“发现一次，持续适应”策略，有效降低逻辑不忠实度并扩展噪声鲁棒性。

MAR3: Multi-Agent Recognition, Reasoning, and Reflection for Reference Audio-Visual Segmentation

MAR3：多智能体识别、推理与反思用于参考音频视觉分割

Yuan Zhao, Zhenqi Jia, Yongqiang Zhang

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

AI总结 本文提出MAR3框架，通过多智能体机制解决参考音频视觉分割中的表达难度识别、模态主导性分析及反思学习问题，提升分割精度。

Comments Accepted by ACM MM 2026

Multi-Agent Reinforcement Learning for C-V2X RAT Selection

用于蜂窝车联网无线接入技术选择的多智能体强化学习

Moritz Schaffenroth, Uwe Kölbel, Heike Lepke, Alexander Prinz, Alfred Höß

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

AI总结 研究蜂窝车联网无线接入技术选择决策问题，用多智能体强化学习算法MAPPO解决，与五个基线比较。在城市场景及通信用例中评估，结果显示按时交付率提高，训练时间减半，表明自适应通信策略有益，多智能体建模可解决决策问题。

Understanding Implicit Trust Errors in Core Carrier Networks through Multi-Agent Flaw Discovery and Analysis

通过多智能体缺陷发现与分析理解核心承载网络中的隐式信任错误

Ziyu Lin, Ziting Wang, Xinfeng Li, Wei Dong, XiaoFeng Wang

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

AI总结 研究蜂窝核心网络向云原生部署过渡时出现的隐式信任错误问题，设计iFinder多智能体系统，通过总结已知缺陷形成检测模式来发现新漏洞，运行该系统发现多个未知漏洞，确认了会话劫持等问题。

Comments To appear in the 35th USENIX Security Symposium (USENIX Security 2026)

A Distributionally Robust Multi-agent Reinforcement Learning Framework for Intelligent Intersection Control

一种用于智能交叉口控制的分布鲁棒多智能体强化学习框架

Shuwei Pei, Joran Borger, Arda Kosay, Bayu Jayawardhana, Muhammed O. Sayin, Saeed Ahmed

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

AI总结 研究针对多智能体强化学习在交通信号控制中应对不利情况能力不足的问题，提出集成自适应上下文博弈最坏情况估计器的分布鲁棒框架，经实验验证其能提升鲁棒性和效率，且策略有零样本泛化能力。

Recursive Multi-Agent Trading System: Iterative Optimized Portfolio Strategy Under Geopolitical Uncertainty

递归多智能体交易系统：地缘政治不确定性下的迭代优化投资组合策略

Jing Yang, Yichao Wu, Jianan Liu, Penghao Liang, Mengwei Yuan, Xianyou Li, Weiran Yan

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

AI总结 提出递归多智能体交易系统（RMATS），通过递归管理器代理协调四个专业代理（情绪、报告、分析和风险），在561个交易日和24个资产的多类资产上实现最大回撤9.62%，低于MVO和FinBERT情绪，并在5个地缘政治压力情景中的3个中表现出最低事件期回撤，证明其作为风险控制导向架构的有效性。

Cost and Accuracy of Long-Term Memory in Distributed Multi-Agent Systems Based on Large Language Models

基于大语言模型的分布式多智能体系统中长期记忆的成本与准确性

Benedict Wolff, Jacopo Bennati

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

AI总结 针对分布式多智能体系统中长期记忆的成本与准确性评估空白，构建独立可复现测试平台，比较多种架构并发现检索不完整是准确率差距主因，RAG基线以更低总拥有成本达到高准确率。

Comments Copyright IEEE 2026. Manuscript accepted at IEEE COMPSAC 2026. Not for redistribution. Published version: https://doi.org/10.1109/XXXXXX

A Multi-Agent Framework for Democratizing XR Content Creation in K-12 Classrooms

面向K-12教室的多智能体框架：民主化XR内容创作

Yuan Chang, Zhu Li, Jiaming Qu

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

AI总结 本文提出多智能体XR创作框架，通过四个专业代理解决K-12教育中XR内容创作的技术障碍和生成AI的幻觉风险，实现教育内容的安全生成与教学增强。

EvoOMG: An Evolution-Oriented Multi-Agent Guidance Framework for Heterogeneous Legacy-and-MLO Wi-Fi Networks

EvoOMG：一种面向异构传统与MLO Wi-Fi网络的基于进化的多智能体引导框架

Junjie Wu, Lingjian Zhou, Zerui Shao, Yi Zou, Tianrui Li, Yi Zhang, Ziyuan Yang

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

AI总结 针对Wi-Fi 7/8多链路操作导致的传统与MLO STA共存下吞吐量优化难题，提出EvoOMG框架。该框架将问题转化为多智能体决策问题，通过自回归设计生成引导，相比其他基线方法，在NS-3评估中取得更好性能。

CILC: Cryptographically-secure Inter-agent Loop Closure Candidate Detection for Multi-Agent Collaborative SLAM

CILC：用于多智能体协作SLAM的加密安全的智能体间闭环候选检测

Andrew Fishberg, Yixuan Jia, Jonathan P. How

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

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

AI总结 研究多智能体协作SLAM中智能体间闭环候选检测问题，提出CILC系统，利用安全多方计算仅对隐私敏感且计算量轻的GD相似性比较步骤进行加密处理，在模拟和硬件实验中验证其能保持实时性、通信可行并减轻信息泄露。

Delay-Aware Active Triangulation with Uncertainty-Driven Multi-Agent Reinforcement Learning for Counter-UAS

用于反无人机系统的基于不确定性驱动多智能体强化学习的延迟感知主动三角测量

Seungwook Lee, David Hyunchul Shim

机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） 纠错

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

AI总结 针对反无人机系统中目标定位问题，提出延迟感知、不确定性驱动的多智能体强化学习框架。通过Dec-POMDP公式、控制比较及多源协方差传播等方法，实验表明该框架能有效提高三角测量有效性，降低RMSE，凸显循环记忆对延迟补偿的关键作用。

Comments Accepted to IROS 2026

Intercepting an Agile Target with Net-Carrying Drones using Competitive Multi-Agent Reinforcement Learning

使用竞争性多智能体强化学习，通过携带网的无人机拦截敏捷目标

Timothée Gavin, Murat Bronz

机构 * IAS, Thales LAS, Rungis, France（法国Thales LAS研究所） ； RIS, LAAS-CNRS Toulouse, France（法国CNRS实验室） 纠错

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

AI总结 研究用携带捕捉网的无人机团队拦截敏捷无人机的问题，采用带优先虚拟自我博弈的多智能体近端策略优化训练智能体，在高保真模拟器中用低级控制命令训练，结果表明该方案优于基线，且相关因素对追逃任务策略学习至关重要。

Journal ref 2026 International Conference on Unmanned Aircraft Systems (ICUAS), Jun 2026, Corfu, Greece

Sparse Sensor Placement in Multi-Agent Reinforcement Learning Control of Rayleigh-Bénard Convection

瑞利-贝纳德对流的多智能体强化学习控制中的稀疏传感器布置

Jan Stenner, Hans Harder, Sebastian Peitz

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

AI总结 本文通过多智能体强化学习，结合分组正则化蒸馏方法，实现瑞利-贝纳德对流控制中的稀疏传感器布置，在保持控制性能的同时大幅减少传感器数量。

Comments 28 pages, 11 figures, 1 table

A Physics-Grounded Benchmark for Multi-Agent Dynamics in World Models

基于物理的多智能体动力学世界模型基准

Nuo Chen, Lulin Liu, Zihao Li, Ziyao Zeng, Zihao Zhu, Wenyan Cong, Junyuan Hong, Yunhao Yang, Zhengzhong Tu, Yan Wang, Boris Ivanovic, Marco Pavone, Zhangyang Wang, Yang Zhou, Zhiwen Fan

机构 * Texas A&M University（德克萨斯大学） ； University of Minnesota（明尼苏达大学） ； Marquette University（马奎特大学） ； Yale University（耶鲁大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Massachusetts General Hospital（麻省总医院） ； Harvard Medical School（哈佛医学院） ； NVIDIA（英伟达） ； Stanford University（斯坦福大学） 纠错

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

AI总结 提出CrashTwin框架，通过多智能体碰撞场景数据集和校准无关重建流程，从时空一致性、动量与动能守恒、世界动力学完整性三个维度评估世界模型的物理可信度。

Comments 34 pages, 9 figures, 12 tables

The Axiom of Consent: Friction Dynamics in Multi-Agent Coordination

同意公理：多智能体协调中的摩擦动力学

Murad Farzulla

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

AI总结 提出一个基于同意公理的协调摩擦形式化框架，定义核心三元组（对齐、利益、熵）和摩擦泛函，并通过多智能体强化学习实验发现线性对齐依赖被U型关系证伪，进而提出二次型改进。

Comments 94 pages; includes machine-checked Lean 4 proofs. v2: empirical-companion references reconciled to the companion's final findings; the MARL factorial appendix is split out to the companion paper; several formal statements corrected and honestly scoped; reference list repaired

Coupling Smoothed Particle Hydrodynamics with Multi-Agent Deep Reinforcement Learning for Cooperative Control of Point Absorbers

将光滑粒子流体动力学与多智能体深度强化学习结合以实现点吸收器的协同控制

Yi Zhan, Iván Martínez-Estévez, Min Luo, Alejandro J. C. Crespo, Abbas Khayyer

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

AI总结 本研究通过结合SPH与多智能体深度强化学习，开发了用于点吸收器协同控制的自适应阻尼控制模型，提高了波浪能转换器的能量捕获效率。

Journal ref Engineering Applications of Artificial Intelligence, Volume 181, Part 3, 115417, 2026

CogRad: A Cognitively-Inspired Multi-Agent Framework for Radiology Report Generation

CogRad：一种用于放射学报告生成的受认知启发的多智能体框架

Saif Ur Rehman Khan, Hasaan Maqsood, Sebastian Vollmer, Andreas Dengel, Muhammad Nabeel Asim

机构 * German Research Center for Artificial Intelligence（德国人工智能研究中心） ； Intelligentx GmbH（智能X有限公司） ； Department of Core Informatics, Graduate School of Informatics, Osaka Metropolitan University（大阪城市大学信息科学研究生院核心信息学系） 纠错

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

AI总结 提出受认知启发的多智能体框架CogRad，围绕放射科医生阅读过程的四个阶段构建报告生成，通过多智能体协作提升报告质量，在多个数据集上取得最佳成绩。

Swarm-Driven Multi-Agent Reasoning for Smart City Security

用于智慧城市安全的群体驱动多智能体推理

Saeid Jamshidi, Kawser Wazed Nafi, Carol Fung, Foutse Khomh

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

AI总结 研究智慧城市安全问题，提出基于大语言模型的多智能体方法TPSC-Sec，通过专门智能体分析并经威胁信息素群体共识机制聚合假设，还引入Adaptive Verified TPSC，实验表明该方法能实现高效安全推理。

MUTE: Return-Preserving Communication Unlearning for Efficient Multi-Agent Coordination

MUTE：用于高效多智能体协调的保留回报通信遗忘

Rui Zuo, Qinwei Huang, Mingyang Li, Zhenhang Zhang, Simon Khan, Qinru Qiu

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

AI总结 研究多智能体强化学习中智能体间通信问题，提出MUTE框架，将通信减少视为价值引导的机器遗忘问题，用注意力估计器量化反事实消息值，通过双目标机制实现通信稀疏化并保留原始联合策略回报。

SafeGuard: A Multi-Agent Perception-Reasoning Framework for Social-Risk AI-Generated Video Detection

SafeGuard：用于社会风险AI生成视频检测的多智能体感知-推理框架

Wenlin Wu, Sheng Zhou, Peipei Song, Wenhao Wang, Junbin Xiao, Xun Yang

机构 * University of Science and Technology of China（中国科学技术大学） ； King Abdullah University of Science and Technology（阿卜杜拉国王科技大学） ； Vast Intelligence Lab（旷视智能实验室） 纠错

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

AI总结 针对AI生成视频检测挑战，提出SafeGuard多智能体框架，通过感知求解器与验证器协作，引入SafeVid基准，实验证明其泛化性佳，提升检测准确率。

Comments Accepted to ECCV 2026, The code and dataset are publicly available at https://github.com/williamw99/SafeGuard