전체 기사
다양한 평가자 모델이 대립적 역할을 할 때, 다중 에이전트 LLM 파이프라인이 민주적 토론 분석 시스템에서 점점 더 많이 사용되고 있습니다. 이 연구는 TRUST 파이프라인을 사용하여 대변자 역할을 유지하는 것에 대한 기본 가정에 대한 첫 번째 체계적인 실험적 테스트를 제공합니다. 또한 대변자 역할 충실도에 대한 4 가지 지표를 사용하여 60 개의 정치 성명(30 개의 영어, 30 개의 독일어)을 측정합니다.
인터넷에서 정보를 검색하고 추출하기 위한 이중 계층 다중 에이전트 대규모 언어 모델(LLM) 시스템: Web2BigTable 인터넷에서 정보를 검색하는 에이전트는 두 가지 đòi을 충족해야 한다. 하나는 단일 타겟에 대한 깊은 사고이고, 다른 하나는 여러 엔티티와 다종류의 소스에 대한 구조화된 집계이다. 현재 시스템은 두 가지 모두에서 성능이 좋지 않다. 넓이 지향적인 태스크는 넓은 범위의 커버리지와 엔티티 간 일관성을 갖춘 스키마 정렬된 출력을 요구한다. 깊이 지향적인 태스크는 긴 분기하는 검
인간의 인지 쇠퇴는 매우 다양하여 예측, 임상试验 설계 및 치료 계획에 어려움을 겪고 있습니다. 연구팀은 개인화된 인지 쇠퇴 평가 디지털 트윈(PCD-DT)을 제안하여 환자별 질병 경로를 모델링하는 다원적 불확실성 인식 프레임워크를 개발했습니다. 이 프레임워크는 3개의 방법론적 구성 요소를 포함하여 환자별 시간적 동적을 표현하는 감추어진 상태-공간 모델, 임상, 생물학적, 영상 특성의 다원적 융합, 그리고 강인한 디지털 트윈 작동을 지원하는 불확실성 인식 유효성 검사 및 적응 업데이트라는 세 가지 구성 요소를 포함합니다.
약한认知장애(MCI)에서 알츠하이머병(AD)으로의 전환 예측은 조기 개입에 필수적이지만, 데이터가 제한된 환경에서 신뢰할 수 있는 전환 예측 모델을 개발하는 것은 어렵다. 본 연구에서는 TabPFN을 사용하여 TADPOLE 데이터셋에서 3년간의 MCI에서 AD로의 전환을 예측하는 데 사용되었다. 다중 모드 생체 표지자 특성을 사용하여 학습 모형을 비교하고, XGBoost, Random Forest, LightGBM, Logistic Regression과 같은 전통적인 기계 학습 방법에 비해 TabPFN의 성능을 평가하였다.
의사 결정 이론에서 간격 순서와 이중 순서를 연구하고, 신뢰도 제한된 믿음 수정을 위한 새로운 접근법을 제안합니다. 간격 순서와 이중 순서를 사용한 믿음 수정은 총순서보다 더 일반적인 클래스의 순서를 사용하여 수행됩니다. 이중 순서를 사용한 믿음 수정은 성공 포스트룰 만족하지만, 항상 일관된 출력을 제공하지는 않습니다. 신뢰도 제한된 믿음 수정을 위한 새로운 가족을 제안하고, 신뢰도 제한된 믿음 수정과 이중 순서를 연결합니다.
GUI 자동화 에이전트는 컴퓨터 소프트웨어 자동화의 유망한 방식으로, 그래픽 사용자 인터페이스와 직접 상호 작용할 수 있기 때문에 brittle한 애플리케이션 특정 통합에 의존하지 않습니다. 그러나 최근 성능 벤치마크에서 강력한 GUI 자동화 에이전트는 실제로 비용이 많이 들고 느려질 수 있습니다. 이 문제의 원인은 GUI 작업의 오랜 수직에서 대규모 멀티 모달 모델을 거의 모든 상호 작용 단계에서 호출하는 것입니다. 우리는 이러한 uniform한 컴퓨팅 할당이 GUI 작업의 오랜 수직에서 효율적이지 않다는 것을 주장합니다. 이러한 경로들은 매우 다양합니다: 많은 단계는 일상적이고 신뢰할 수있는 작은, 저렴한 정책으로 처리할 수 있습니다. 그러나 오류는 상대적으로 작은 수의 고위험 순간에 집중됩니다. GUI 자동화 벤치마크에서 이러한 실패는 두 가지 형태로 반복됩니다: 진행이 고정되면 에이전트는 루프, 반복적 인 비효율적인 동작, 또는 의미 있는 진행을 하지 못할 때, 그리고 침묵된 의미 드리프트는 에이전트가 이미 사용자의 실제 목표에서 벗어나지만 현지적으로 합리적인 동작을 계속하는 경우입니다. 이 문제를 해결하기 위해, 우리는 GUI 자동화 에이전트를 위한 이벤트 기반, 단계 수준의 계단을 제안합니다. 이 계단은 작은 정책을 기본으로 하며, 가볍게 학습된 모니터가 고위험을 감지할 때만 강력한 모델로 전환합니다.
자율 암호화 거래 시스템은 입장에 대한 설계를 대부분 투자하지만, 출가는 고정된 규칙으로 인해 거의 체계적으로 테스트되지 않는다. 이 연구는 자율 거래 에이전트 군집의 성능을 개선하기 위해 더 나은 정지 손실 및 수익락 설정이 가능할지 조사한다.
AI가 교육을 바꾸는 vibe coding에 대해 연구한 결과, top-performer들은 AI와 함께 문제를 해결하는 도움 구하는 과정을 통해 높은 성과를 거두었지만, low-performer들은 AI에게 해결책을 찾을 수 있는 executor 역할을 요청하는 방식으로 도움 구하는 과정을 사용했다. 이 연구는 AI가 현재 학생의 의도에 따라 행동하지만, 학습을 최적화하지 않는다는 것을 보여준다.
분산 AI 서비스 프레임워크 TRUST는 중앙 집중식 접근 방식의 제한을 해결하기 위해 Hierarchical Directed Acyclic Graphs (HDAGs), DAAN 프로토콜, 및 다중 계층 합의 메커니즘을 소개합니다. 이 프레임워크는 안전하고 신뢰할 수 있는 AI 시스템의başarılı배포를위한분산AI감독을지원합니다.
해양 케타 분지에서_CORE 데이터가 부족한 지역에서 전기 facies 분석을 위한 무가이드드 머신 러닝 워크플로우를 제안합니다. 6개의 표준 유선 로그를 분석하여 11,195개의 샘플을 포함하는 깊이 간격을 분석했습니다. K-means 클러스터링을 다변량 로그 공간에서 적용하여 클러스터링 구조를 이니셔티아(Inertia)와 실루엣(Silhouette) 진단을 사용하여 평가했습니다. 4개의 클러스터를 식별하였으며,IGENCE 평균 실루엣 계수는 약 0.50로 의미 있는 분리성을 나타냈습니다. 결과된 전기 facies는 점토 함량, porosity, 및 암석 프레임워크 특성의 변동과 관련된 체계적인 깊이 연속 패턴을 나타내며, 점토가 우세한 단위에서 깨끗한 사암이 우세한 단위까지 지질 지속체를 형성합니다. 결과는 로그만으로 무가이드드 클러스터링을 지원하는 정량적 지표가 지하 지형 특성화에 대한 강력하고 재현 가능한 프레임워크를 제공한다는 것을 보여줍니다. 제안된 워크플로우는 초기 단계의 형성 평가에 대한 실용적인 도구를 제공하며, 미래의 통합 연구의 기초를 제공합니다.
연구진은 데이터셋과 자연어 목표를 기반으로 end-to-end 머신 러닝(ML) 파이프라인 생성을 자동화하는 unified 멀티 에이전트 아키텍처를 개발하기 위해 연구를 수행했습니다. 이 아키텍처는 효율성, 강인성 및 설명 가능성을 향상시킵니다. 5개의 에이전트 시스템을 제안하여 프로파일링, 의도 파싱, 마이크로 서비스 추천, 지시 그래프(DAG) 생성 및 실행을 처리합니다. 코드 기반의 Retrieval-Augmented Generation(RAG)과 Large Language Model(LLM)-기반 오류 해석 및 실행 기록을 기반으로 적응 학습을 사용하는 자기 치유 메커니즘을 통합합니다. 연구는 150개의 ML 태스크를 포함하는 다양한 시나리오에서 평가되었습니다. 시스템은 baseline 방법을 초과하는 84.7%의 end-to-end 파이프라인 성공률을 달성했습니다. 또한 자기 치유와 함께 강인성을 향상시키고 수동 생성보다 워크플로 개발 시간을 줄였습니다. 연구는 코드 기반 RAG, 설명 가능한 추천, 자기 치유 실행 및 적응 학습을 단일 아키텍처에 통합하는 새로운 통합을 소개합니다..tightly coupled intelligent components가 isolated solution보다 뛰어난 성능을 나타낼 수 있음을 보여줍니다.
과학 연구는 오랜 시간 동안 인간이 주도적인 역할을 하였으며, 증거가 축적되는 동안 질문, 방법 및 주장의 지속적인 수정을 통해 새로운 지식과 혁신적인 기술을 구축해 왔습니다. 대규모 언어 모델(LLM)-기반 에이전트들은 정의된 연구 워크플로우를 지원하는 것 이상으로 진전되는 것이 있지만, 아직까지 실제 물리적 시스템에서 비트리거 결과를 지지하는 실험적 증거를 생산하는 종단 간 자율적 발견을 보여주지 못했습니다. 여기서 우리는 Qiushi Discovery Engine, LLM-기반 종단 간 자율
