XiaoMi-AI文件搜索系统
World File Search System多个代理
通过运动吸引强大的通信网络
协作感知允许在多个代理（例如车辆和基础）之间共享信息，以通过交流和融合来获得对环境的全面看法。当前对多机构协作感知系统的研究通常会构成理想的沟通和感知环境，并忽略了现实世界噪声的效果，例如姿势噪声，运动模糊和感知噪声。为了解决这一差距，在本文中，我们提出了一种新颖的运动感知robus-Busban通信网络（MRCNET），可减轻噪声干扰，并实现准确且强大的协作感知。MRCNET由两个主要组成部分组成：多尺度稳健融合（MRF）通过驱动跨语义的多尺度增强的聚集到不同尺度的融合特征，而运动增强机制（MEM）捕获运动上下文，以补偿动作对物体引起的信息，从而解决了姿势噪声。对流行的协作3D对象检测数据集的实验结果表明，在噪声方案中，MRCNET优于使用较少的带宽感知性能的噪声方案。我们的代码将在https://github.com/indigochildren/collaborative-ception-mrcnet上进行重新释放。
通过信息填充信息填充信息
协作感知使每个代理人通过与其他代理人的传统消息交换来证明其感知能力。它固有地归结为感知和沟通成本之间的基本权衡。为了解决这个瓶颈问题，我们的核心思想是从两个关键方面优化协作序列：表示和选择。提出的基于密码的消息代表可以传输整数代码，而不是高维特征图。提出的信息填充消息选择优化了本地消息，以共同填充每个代理的信息需求，防止多个代理之间的信息溢出。通过对这两种设计进行介绍，我们提出了一种新颖的沟通效率协作感知系统，它大大提高了感知 - 交流权衡权衡，并且既包含了同性恋和异构协作环境。我们在现实世界数据集（DAIR-V2X）和新的仿真数据集OPV2VH+中评估了代码填充。结果表明，代码填充的表现超过了sota，其中2comm在dair-v2x/opv2vh+上具有1,333/1,206×较低的通信量。我们的代码可从https://github.com/phyllish/ codefilling获得。
迈向多智能体对话式 AI
市场上商业化的对话代理 (CA) 数量不断增加，导致用户不得不学习和采用多个代理来完成任务。尽管之前的研究已经探索了在单个代理的设计中支持多个领域，但由于所需功能的操作空间太大，交互体验会受到影响。为了解决这些问题，我们引入了一项新任务 BBAI：黑盒代理集成，重点是大规模组合多个黑盒 CA 的功能。我们探索了两种技术：问题代理配对和问题响应配对，旨在解决此任务。利用这些技术，我们设计了 One For All (OFA)，这是一个可扩展的系统，它提供了一个统一的界面来与多个 CA 交互。此外，我们引入了 MARS：多代理响应选择，这是一种用于问题响应配对的新型编码器模型，可联合编码用户问题和代理响应对。我们证明 OFA 能够自动准确地集成一组跨越不同领域的商用 CA。具体来说，使用 MARS 编码器，我们在 BBAI 任务上实现了最高准确度，超越了强大的基线。
金融包容性对经济增长的影响
金融包容性对经济增长的影响是研究人员和从业人员广泛关注的话题。我们回顾了现有文献，以突出文献中的研究状态并确定创新研究的新机会。我们使用了主题文献综述方法，即按照相关主题划分综述。我们发现，2016 年后出现了关于该主题的重要研究。大多数现有研究来自发展中国家和亚洲和非洲地区。现有研究没有利用相关理论来解释金融包容性对经济增长的影响。大多数研究报告了金融包容性对经济增长的积极影响，而很少有研究表明其负面影响。金融包容性影响经济增长的最常见渠道是通过增加金融机构提供的金融产品和服务的渠道，从而增加金融中介并转化为积极的经济增长。文献中使用的常见实证方法是因果关系检验、协整和回归方法。文献中使用了金融包容性和经济增长的多个代理，这部分解释了现有研究之间的相互矛盾的结果。这篇综述文章最后确定了未来研究的一些方向。
TouringMachines：动态、合理、移动代理的架构
自动化工厂、核电站、电信中心和空间站等设施的计算机控制操作环境正变得越来越复杂。随着这种复杂性的增加，使用集中管理和调度策略来控制此类环境将变得越来越困难，这些策略既能应对意外事件，又能灵活应对可能随时间发生的操作和环境变化。解决这个问题的一个越来越有吸引力的方法是将此类操作的控制权分配给许多智能的、能够完成任务的计算代理。现实世界领域可能由多个代理组成。在这样的领域中，代理通常会执行许多复杂的任务，这些任务需要在一定程度上关注环境变化、时间限制、计算资源界限以及代理的短期行动可能对其长期目标产生的影响。在现实世界中操作意味着必须在时间和空间的多个粒度级别上处理意外事件。虽然代理必须保持反应能力才能生存，但如果代理要与其他代理协调其行动并以有效的方式处理复杂任务，则需要一定程度的战略和预测决策。本论文提出了一种新的集成代理架构，旨在为具有
与同质能量受限代理在固定路径上进行协作交付
我们考虑使用多个移动代理将包裹从指定源集体递送到图中指定目标位置的问题。每个代理从图的某个顶点开始；它可以沿着图的边缘移动，并且可以在移动过程中从一个顶点拾起包裹并将其放在另一个顶点。但是，每个代理的能量预算有限，只能遍历长度为 B 的路径；因此，多个代理需要协作才能将包裹运送到目的地。给定图中代理的位置及其能量预算，寻找可行移动计划的问题称为协作递送问题，之前已经对其进行了研究。先前结果中的一个悬而未决的问题是，当递送必须遵循预先给定的固定路径时会发生什么。虽然这种特殊约束减少了可行解决方案的搜索空间，但我们表明寻找可行计划的问题仍然是 NP 难题（与原始问题一样）。我们考虑该问题的优化版本，即在给定代理的初始位置的情况下，要求每个代理的最佳能量预算 B，从而实现可行的交付计划。与该问题的一般版本已知结果相比，我们证明了该问题的固定路径版本存在更好的近似值（至少对于每个代理单次拾取的限制情况）。我们为有向和有向路径提供了多项式时间近似算法
研究文章的协作脑机构接口框架，用于增强动态视觉目标的群体检测性能
在性能增强中，协作脑部计算机接口（CBCI）的优势使其成为破坏基于BCI的动态视觉目标检测的性能瓶颈的有效方法。但是，现有的CBCIS专注于静态和单向模式的多核信息融合，缺乏多个代理之间的信息交互和学习指导。在这里，我们提出了一个新型的CBCI框架，以增强动态视觉目标的群体检测性能。特别是，具有信息交互，动态学习和个人传递能力的相互学习域自适应网络（MLDANET）是CBCI框架的核心。Mldanet将P3-SSDA网络作为单个网络单元，引入相互学习策略，并在神经决策级别上建立一个动态的互动学习机制和协作性决策。te结果表明，所提出的MLDANET-CBCI框架可以达到最佳的组检测性能，并且相互学习策略可以提高单个网络的检测能力。在Mldanet-CBCI中，协作检测和单个网络的F1得分分别比三个思维协作时分别比多阶级的CBCI中的F1分别高0.19。tus，所提出的框架突破了传统的多态度协作模式，并展示了动态视觉目标的出色群体检测性能，这对于多智力协作的实际应用也非常有意义。
人工智能代理之间的秘密勾结
生成式人工智能的最新进展表明，跨互联网等平台的自主代理和人类之间大规模交互的潜力。虽然这种互动可以促进富有成效的合作，但人工智能代理规避安全监督的能力引发了严重的多代理安全问题，特别是以无意的信息共享或不良协调的形式出现。在我们的工作中，我们建立了秘密勾结的子领域，这是多代理欺骗的一种形式，其中两个或多个代理使用隐写术来隐藏他们互动的真实性质，无论是交流还是其他方式，以避免被监督。我们为进行隐写术通信的人工智能代理提出了一个正式的威胁模型，并得出了关于大型语言模型 (LLM) 进行秘密勾结的能力和动机以及威胁缓解措施的局限性的严格理论见解。我们通过实证评估来补充我们的研究结果，这些评估展示了前沿单智能体和多智能体 LLM 设置中隐写能力的提升，并研究了可能出现勾结的潜在场景，揭示了监控、释义和参数优化等对策的局限性。我们的工作首次形式化并调查了前沿基础模型之间的秘密勾结，将其确定为 AI 安全的一个关键领域，并概述了一项全面的研究议程，以减轻未来生成 AI 系统之间勾结的风险。
有效社会合作的集体思维模型的脑启发理论
摘要 - 社会智能表现出通常被称为心理理论（汤姆）的能力，以辨别他人的行为意图，信念和其他精神状态。汤姆在多代理和人机上的行动环境中尤其重要，因为每个代理都需要了解其他代理的心理状态，以便更好地做出响应，互动和协作。最近的研究表明，汤姆模型具有推断信仰，意图并预测未来的观察和行动的能力。尽管如此，它在解决复杂任务方面的部署仍然特别有限。当代理人数量增加时，挑战就会出现，环境变得更加复杂，并且与环境互动并预测彼此的精神状态变得困难和耗时。为了克服这种局限性，我们从集体思维理论（TOCM）机制中汲取灵感，将所有其他代理的观察结果预测到一个统一但多元的代表性中，并辨别我们自己的行为如何影响这种心理状态。基于这个基础，我们构建了一个富有想象力的空间来模拟多代理交互过程，从而提高了复杂决策环境中多个代理之间合作的效率。在具有不同数量的代理的各种合作任务中，实验结果强调了与多代理增强学习（MARL）基准相比，我们方法的优越效率和表现。我们对基于SNN和DNN的决策网络实现了一致的提升，并证明TOCM对他人心理状态的推论可以转移到新任务中，以快速，灵活地适应。
理论计算机科学
我们考虑使用多个移动代理集体将包裹从指定源递送到图中的指定目标位置的问题。每个代理从图的某个顶点出发；它可以沿着图的边缘移动，并且可以在移动过程中从一个顶点拾起包裹并将其放在另一个顶点。但是，每个代理的能量预算有限，只能遍历长度为 B 的路径；因此，多个代理需要协作才能将包裹运送到目的地。给定图中代理的位置及其能量预算，寻找可行移动计划的问题称为协作递送问题，之前已有研究。先前结果中的一个悬而未决的问题是，当递送必须遵循预先给定的固定路径时会发生什么。虽然这种特殊约束减少了可行解的搜索空间，但问题仍然是 NP 难题，就像该问题的一般版本一样。我们考虑该问题的优化版本，即在给定代理的初始位置的情况下，要求每个代理的最佳能量预算 B，从而实现沿固定路径的可行交付计划。我们为有向图和无向图提供多项式时间近似算法，并为有向图建立近似难度。请注意，固定路径版本的协作交付需要完全不同的技术，因为单个代理可能会多次使用，这与之前研究的协作交付的一般版本不同。我们表明，与原始问题相比，将每个代理限制为一次拾取可以更好地近似固定路径协作交付。最后，当可用代理的数量受常数限制时，我们提供了一个多项式时间算法来确定给定预算 B 的可行交付策略（如果存在）。