一种多智能体框架,用于异步和协作扩展多任务机器学习系统
该研究介绍了一种新的机器学习模型生成方法,基于 agent-based system 的思想,可以通过并行计算和合作竞争的方式为多个图像分类任务生成和扩展多模块的深度学习模型。在针对每个数据样本进行的简单并行路由方法的训练下,可以提高组合解决方案的质量。
Feb, 2023
设计了一个灵活的智能体工程框架,着重规划和执行,适用于多个领域的复杂应用,提供可靠性的工业应用,并提出了确保多个自主智能体共同解决任务的可扩展、灵活和协作式工作流技术。
Jun, 2024
研究利用模块化模型和连续开发方法来生成多任务机器学习模型,以实现多次设计和评估迭代的整合,从而生成一个能够解决 124 个图像分类任务的机器学习模型,并达到了最优质量和改进的规模和计算成本。
Sep, 2022
通过动态生成并协调多个专门的代理来构建 AI 团队,AutoAgents 框架为不同任务自适应地生成和协调多个专门的代理,结果表明它比现有的多代理方法产生更连贯和准确的解决方案,为解决复杂任务提供了新的视角。
Sep, 2023
基于大型语言模型的自主代理人在任务的广泛范围内实现了显著的改进。为了提高任务完成的效率和效果,我们提出了一个多代理人框架,并通过实验证明该框架能够有效地部署优于单个代理人的多代理人群体。在协同任务完成过程中,我们深入研究了群体中个体代理人之间社交行为的出现。基于这些行为,我们讨论了一些利用积极行为和缓解消极行为以提高多代理人群体的协作潜力的可能策略。
Aug, 2023
通过引入跨团队合作(CTC)框架,实现协同的团队制定各种决策并在跨团队合作环境中进行沟通,从而提高软件开发中的质量,展示了多智能体合作的潜力和广泛适应性。
Jun, 2024
提出了一种交互式代理基础模型,采用新颖的多任务代理训练范式,实现了跨领域、数据集和任务训练 AI 代理的能力,展示了其在机器人技术、游戏 AI 和医疗保健领域的性能,支持多模态和多任务学习。
Feb, 2024
本研究提出了 GameGPT,一个多智能体协作框架,以自动化游戏开发。通过双重协作和分层方法,并应用多种内部词汇表,在规划、任务识别和实施阶段缓解幻觉和冗余问题。此外,还引入了一种解耦方法,以实现更精确的代码生成。
Oct, 2023
本研究提出了一种基于 actor-work-learner 架构的分布式 MARL 框架,在 MaCA 军事模拟环境和 SMAC 3D 实时战略游戏环境中验证了其在多智能体强化学习性能提升方面的有效性。
May, 2022