多智能体路径规划中的任意角路径规划问题，利用连续冲突搜索算法和安全区间路径规划算法的最优算法及其可行解空间分割和多约束技术，能解决比传统组合更多的问题。

通过神经交互能量的多智能体轨迹预测框架 MATE，我们引入了两个约束条件以增强时间稳定性，即智能体间的相互作用约束和智能体内部运动约束，有效地减轻了多智能体系统中固有的预测波动。对比四个不同数据集上以前的方法的评估结果突出了我们模型的优越预测准确性和泛化能力。

电网架构和功能的快速变化以及可再生能源和分布式能源资源的不断增长导致了各种技术和管理挑战。本调研报告探讨了多智能体强化学习（MARL）如何支持能源网络的去中心化和脱碳，并缓解相关的挑战。通过指定管理能源网络中的关键计算挑战，回顾最新的研究进展，以及突显可以使用 MARL 解决的开放性挑战。

一个整合了 GPT-4、多智能体架构、从最少到最多过滤排序和反应推理技术的临床多智能体系统（CT-Agent），在临床试验任务中提高了大语言模型的性能，并引入了新的功能。

通过利用混合软行为者评论家算法的多智能体强化学习方法，实现了动态频谱访问中联合频谱感知和资源分配的优化，以最大化网络的通信速率，并在实验中验证了该算法在增加频谱资源利用率、限制对主网络干扰方面优于现有技术。

基于生成对抗网络的模型逆向攻击旨在通过在潜在空间中搜索代码来从复杂深度学习模型中恢复私有训练数据。本文提出了一种新颖的分布式黑盒模型逆向攻击方法，通过构建概率潜在空间来搜索目标隐私数据，相比现有方案具有更好的攻击准确性和性能。

我们提出了一种新的方法来推断组感知协作图（GACG），以捕捉基于当前观测到的代理之间的合作以及跨轨迹观察到的行为模式的组水平依赖关系，并在决策过程中使用该图进行信息交换。通过在 StarCraft II 微管理任务上进行评估，我们证明了 GACG 的卓越性能。进一步的消融研究为我们的方法的每个组成部分的有效性提供了实验证据。

本文讨论了网络中观察到噪声环境下潜在多维非线性现象的基于核的学习问题，提出了一种学习算法，仅需要关于研究对象的轻微先验知识，并提供了相应的非渐近高概率误差界限的模型。本文还提供了方法的非渐近分析和数值模拟结果。

当前大型语言模型中的不确定性估计问题是一个重要的问题，这些模型通常不够校准，且过于自信，特别在从人类反馈中进行强化学习时。与人类不同，人类的决策和自信度不仅源于内在信念，还可以通过日常观察进行调整，而现有的语言模型校准方法主要集中在估计或引导个体自信度，而未充分利用 “集体智慧”：多个语言模型之间的互动能够共同提高准确性和校准度。在本研究中，我们提出了协同校准（Collaborative Calibration），这是一种无需后期训练的校准策略，利用了多个增强型语言模型代理在模拟团体讨论过程中的协同和表现能力。我们在不同领域的生成型问答任务中展示了协同校准的有效性，展示了其利用共同校准的自信度评估进行合理化，并提高模型预测可靠性的潜力。

大型语言模型代理在各种复杂任务中展示出了显著的进展。最近的研究集中在优化代理团队或使用自我反思来迭代解决复杂任务。本文提出了一种灵感来自公司组织实践的层次化多代理框架，360° 可重复利用经验积累评估（360°REA）。该框架使用一种新颖的 360 度绩效评估方法，进行多角度的绩效评估和细粒度的评估。为了增强代理在处理复杂任务时的能力，我们引入了双层经验池，使代理可以通过细粒度评估来积累经验。对复杂任务数据集的大量实验证明了 360°REA 的有效性。