XiaoMi-AI文件搜索系统
World File Search System代理的
循环经济中基于代理的建模的系统评价：对通用模型的见解
循环经济 (CE) 是世界各国政府和企业的热门话题；然而，只有少数全面的、涵盖整个经济的框架存在，而且循环经济对经济系统的影响仍不清楚。通过这次系统回顾，我们仔细研究了应用基于代理的建模方法对循环经济 (CE) 的现有贡献。在 CE 文献中，关于 ABM 的使用存在一个空白。指导这次系统回顾的研究问题涉及 ABM 对 CE 的潜在好处以及如何在 CE 的背景下使用这种方法。我们提出了三个主题领域、两个代理和一个过程的证据，即生产者（即企业和工业系统）、消费者（即家庭和废物处理）和创新的传播。我们推断，前三个主题文献可以进一步综合在一起，形成循环经济的一般模型。这一发展对于正确评估代理的异质性如何影响传播以及采用 CE 实践对经济的影响至关重要。研究已广泛应用 ABM 模拟来考虑个体间异质性及其行为相互作用对复杂系统演化的影响，但系统地研究 CE 的研究却很少。我们的研究结果补充了可计算一般均衡模型的结果。该评论提供了一个解释性框架，为新的综合主题领域内的未来研究方向提出了有价值的建议，并为循环经济中基于代理的建模的理论和管理讨论做出了贡献。
基于代理的建模，以整合来自不同学科的元素的雄心勃勃的气候政策
避免危险气候变化所需的严格政策很难实施，这主要是由于相当大的社会和政治抵抗（Klenert等，2018）。除其他外，这部分是通过废除澳大利亚的碳定价而创建的（Crowley，2017年），两次公开全民投票拒绝在华盛顿州引入碳税的倡议（Reed等人，2019年），以及诸如Fab fab affice and for Fab a Fuel and carbone and Carnecn and carbone and Commente and and and and and and and Carnement（Reed ver）（car）。在澳大利亚，在美国和法国的化石燃料大厅率领的虽然是抵抗运动，但政策的高度感知成本和潜在的回归效果驱动了普通大众的负面影响。其他气候政策工具，例如可再生能源，燃料排放标准和公路通行费的补贴，也看到了公众抵抗（Aasen＆Sælen，2022； Benegal＆Holman，2021; Stokes; Stokes，2016）。要克服这种抵抗，我们需要更好地理解此类政策的后果。目前有许多用于评估气候政策的环境，社会和经济影响的模型，但其中大多数遭受了纪律偏见。说明了：在经济平衡模型中，理性代理的操作狭窄；对公司和跨部门联系在心理学和社会学研究中的作用以及跨部门联系的关注；对既得利益的力量的了解有限（Farmer等，2015； Stern，2016）。反过来，这可能会削弱对气候政策的社会和政治支持（Sarewitz，2011年）。例如，Adger等人。这种偏见会导致忽视重要的政策影响，这使对所有相关标准的平衡评估变得复杂，例如有效性，效率，公平性和可接受性。要仔细比较气候政策工具，我们建议整合来自不同社会科学的要素，尤其是心理学，社会学，经济学和政治学（图1）。这些要素可能涉及特定学科的重点，机制，指标和政策工具。对这些的核算将有助于对潜在政策的影响以及认识和价值在学科之间的差异和价值上的差异（Klenk＆Meehan，2015年）。在本文中，我们认为基于代理的模型（ABM）构成了一种适当的工具，可以启用这种集成并将其性能与替代建模方法进行比较。几项早期的研究承认ABM在此类任务中的潜在作用。（2013）认为，他们“整合了关于变革的传统和科学观点[…]，以特别支持自适应管理系统的设计[用于气候变化适应]”。
使用贝叶斯深学习方法估算基于代理的模型
▶在一项重要的工作中，Del Negro和Schorfheide（2009）提出了DSGE-VAR程序，该程序将结构性宏观经济模型（DSGE模型）的先前信息纳入了VAR模型
插入安全芯片：LLM驱动机器人代理的执行限制
摘要 - 大型语言模型（LLM）的最新进展已使新的研究领域LLM代理通过利用在预训练期间获得的LLM的世界知识和一般推理来解决机器人技术和计划任务。然而，尽管已经付出了巨大的努力来教机器人“ dos”，但“毫无疑问”受到了相对较少的关注。我们认为，对于任何实际用法，教机器人“不”：传达有关禁止行动的明确指示，评估机器人对这些限制的理解，最重要的是，最重要的是，确保合规性至关重要。此外，可以进行验证的安全操作对于满足全球标准（例如ISO 61508）的部署至关重要，这些标准是定义在全球工业工厂环境中安全部署机器人的标准。旨在在协作环境中部署LLM代理，我们提出了一个基于线性时间逻辑（LTL）的可查询安全约束模块，该模块同时使NAT-URAL语言（NL）可以进行时间约束，以编码，安全性侵犯推理和解释和解释以及不安全的动作。为了证明我们系统的有效性，我们在虚拟机环境和真实机器人中进行了实验。实验结果表明，我们的系统严格遵守安全限制，并具有复杂的安全限制，强调了其实用性的潜力。
大型语言模型作为培训强化学习代理的政策老师
最近的研究发现了大语模型（LLM）通过提供高级指令来解决复杂的顺序决策任务的潜力。但是，基于LLM的代理缺乏解决特定目标问题的专业知识，尤其是在实时动态环境中。此外，在实际情况下部署基于LLM的代理可能既昂贵又耗时。另一方面，信息系统学习（RL）的方法是训练专门从事目标任务但经常遭受抽样效率低下和高勘探成本的训练代理。在本文中，我们介绍了一项新颖的框架，该框架通过使用基于LLM的教师代理商的INSTUCTIONS培训较小的专业学生RL代理来解决这些挑战。通过纳入教师代理的指导，学生代理可以将LLM的先验知识提炼成自己的模型。因此，可以对学生代理人进行培训的数据较少。此外，通过对环境反馈的进一步培训，学生代理人超过了其完成目标任务的能力。我们进行了针对挑战的Minigrid和栖息地环境进行的实验，该实验专门为体现的AI研究而设计，以评估我们的框架的有效性。结果清楚地表明，与强基线方法相比，我们的方法取得了卓越的性能。我们的代码可在https://github.com/zjlab-mmi/llm4teach上找到。
空气湿度对生物溶质中不同代理的坚韧性的影响
尽管通过空降途径传播的病原体多种多样，但几乎没有关于影响空气中病原体坚韧性的因素的数据。为了更好地理解并控制空中感染，这些因素的知识很重要。在这项研究中，三个代理，s。金黄色葡萄酒，g。硬化性孢子和MS2细菌噬菌体在30％至70％之间被雾化。空气样品以确定试剂的浓度。s。金黄色葡萄球菌的气溶胶中的生存率显着降低，高于60％。它显示了三种药物的最低恢复率，范围从大约70％RH的0.13％到30％RH时的4.39％。g。硬化性孢子的孢子显示出最高的韧性，恢复速率范围从41.85％到61.73％，而RH的影响很小。对于MS2噬菌体，观察到气溶胶中的韧性明显降低，中间RH的回收率约为4.24％，约为50％。这项研究的结果证实了RH对机载微生物的坚韧性的显着影响，具体取决于特定药物。这些数据表明，在不同的环境条件下，微生物在生物溶质中的行为各不相同。
关于在语音神经假体设计中促进用户代理的建议
脑机接口 (BCI) 可直接从大脑活动中解码语音，旨在帮助瘫痪且无法说话的人恢复交流。尽管最近取得了一些进展，但语音的神经推理仍然不完善，限制了语音 BCI 实现流畅对话等体验的能力，从而促进主动性——即用户编写和传输信息以表达其意图的能力。在这里，我们根据神经工程的现有和新兴策略提出了促进主动性的建议。重点是实现快速、准确和可靠的性能，同时确保对解码器启动时间、解码的内容以及信息表达方式的意志控制。此外，除了受控实验环境中的神经科学进展之外，我们认为，平行的研究路线必须考虑如何将实验成功转化为现实环境。虽然这类研究最终需要潜在用户的意见，但在这里，我们确定并描述了受现有辅助技术领域开展的人为因素工作启发的设计选择，这些设计选择解决了未来现实世界语音 BCI 应用中可能出现的实际问题。
内存健身房：朝着无尽的任务进行基准测试代理的记忆能力
记忆体育馆展示了一套由2D部分可观察到的环境，即迫击炮混乱，神秘路径和灼热的聚光灯，旨在基于决策代理中的记忆能力。这些环境最初具有有限的任务，将其扩展为创新的，无尽的格式，反映了诸如“我打包我的书包”之类的累积内存游戏的不断挑战。任务设计中的这种进展将重点从仅评估样本效率转变为探测动态，延长场景中的记忆效果水平。为了解决可用的基于内存的深钢筋学习基线中的差距，我们在开源清洁库中介绍了一个实现，该库将变形金刚-XL（TRXL）与近端的pol-Pol-Pol-Cy-Cy-Cy-Cy-Cy-Cy-Cy-Cy-Cy-Cy-Cy-Cyizatization中进行了实现。这种方法采用滑动窗口技术利用TRXL作为情节内存的一种形式。我们在封闭式复发单元（GRU）和TRXL之间的比较研究揭示了我们有限和无尽任务的各种表现。trxl在有限的环境上表现出优于GRU的效果，但仅在利用辅助损失来重建观测值时。值得注意的是，Gru在所有无尽的任务中都表现出色，始终优于显着的边距TRXL。网站和源代码：https：//marcometer.github.io/jmlr_2024.github.io/关键字：深增强学习，actor-Critic-Critic，记忆，内存，变形金刚，重复
基于代理的建模，以整合来自不同学科的要素以供雄心勃勃的气候政策
避免危险气候变化所需的严格政策很难实施，这主要是由于相当大的社会和政治抵抗（Klenert等，2018）。除其他外，这部分是通过废除澳大利亚的碳定价而创建的（Crowley，2017年），两次公开全民投票拒绝在华盛顿州引入碳税的倡议（Reed等人，2019年），以及诸如Fab fab affice and for Fab a Fuel and carbone and Carnecn and carbone and Commente and and and and and and and Carnement（Reed ver）（car）。在澳大利亚，在美国和法国的化石燃料大厅率领的虽然是抵抗运动，但政策的高度感知成本和潜在的回归效果驱动了普通大众的负面影响。其他气候政策工具，例如可再生能源，燃料排放标准和公路通行费的补贴，也看到了公众抵抗（Aasen＆Sælen，2022； Benegal＆Holman，2021; Stokes; Stokes，2016）。要克服这种抵抗，我们需要更好地理解此类政策的后果。目前有许多用于评估气候政策的环境，社会和经济影响的模型，但其中大多数遭受了纪律偏见。说明了：在经济平衡模型中，理性代理的操作狭窄；对公司和跨部门联系在心理学和社会学研究中的作用以及跨部门联系的关注；对既得利益的力量的了解有限（Farmer等，2015； Stern，2016）。反过来，这可能会削弱对气候政策的社会和政治支持（Sarewitz，2011年）。例如，Adger等人。这种偏见会导致忽视重要的政策影响，这使对所有相关标准的平衡评估变得复杂，例如有效性，效率，公平性和可接受性。要仔细比较气候政策工具，我们建议整合来自不同社会科学的要素，尤其是心理学，社会学，经济学和政治学（图1）。这些要素可能涉及特定学科的重点，机制，指标和政策工具。对这些的核算将有助于对潜在政策的影响以及认识和价值在学科之间的差异和价值上的差异（Klenk＆Meehan，2015年）。在本文中，我们认为基于代理的模型（ABM）构成了一种适当的工具，可以启用这种集成并将其性能与替代建模方法进行比较。几项早期的研究承认ABM在此类任务中的潜在作用。（2013）认为，他们“整合了关于变革的传统和科学观点[…]，以特别支持自适应管理系统的设计[用于气候变化适应]”。
基于代理的 XR 系统 AI 增强型自动测试架构，一篇简短论文
摘要 — 这篇短文概述了用于自动化测试的基于代理的框架 iv4XR 的架构，该框架目前由同名的 H2020 项目开发。该框架的主要预期用例是测试基于扩展现实 (XR) 的系统系列（例如 3D 游戏、VR 系统、AR 系统），尽管该方法确实可以适用于其他类型的交互式系统。该框架的独特之处在于它是基于代理的系统。代理本质上是反应性的，因此可以说是处理交互式系统的自然选择。此外，它也是安装和组合不同 AI 功能（例如推理、导航和学习）的自然容器。索引术语 — 用于自动化测试的 AI、自动化测试 XR 系统、基于代理的测试、用于测试游戏的 AI