AI Agent

Spatio-Temporal Attention Enhanced Multi-Agent DRL for UAV-Assisted Wireless Networks with Limited Communications

时空注意力增强的多智能体深度强化学习用于受限制通信的无人机辅助无线网络

Che Chen, Lanhua Li, Shimin Gong, Yu Zhao, Yuming Fang, Dusit Niyato

机构 * School of Intelligent Systems Engineering, Shenzhen Campus of Sun Yat-sen University（中山大学智能系统工程学院深圳校区） ； Southern Marine Science and Engineering Guangdong Laboratory (Zhuhai)（广东海洋工程科学实验室（珠海）） ； Department of Equipment Management and Unmanned Aerial Vehicle Engineering, Air Force Engineering University（空军工程大学装备管理与无人机工程系） ； School of Computing and Artificial Intelligence, Jiangxi University of Finance and Economics（江西财经大学计算机与人工智能学院） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机与数据科学学院） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；planning(abstract)；分类 cs.AI

AI总结 本文提出一种延迟容忍的多智能体深度强化学习算法，结合延迟惩罚奖励促进无人机间信息共享，并优化轨迹规划、网络形成和传输控制策略，同时采用时空注意力预测方法恢复丢失信息，提升网络容量和吞吐量。

SkillProbe: Security Auditing for Emerging Agent Skill Marketplaces via Multi-Agent Collaboration

SkillProbe：通过多智能体协作实现新兴智能体技能市场places的安全审计

Zihan Guo, Zhiyu Chen, Xiaohang Nie, Jianghao Lin, Yuanjian Zhou, Weinan Zhang

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；agentic(abstract)；分类 cs.SE

AI总结 针对LLM智能体生态系统中技能市场面临的安全挑战，提出SkillProbe框架，通过多智能体协作实现技能审计，揭示高流行技能的安全性不足及系统性风险。

Comments 16 pages, 6 figures

Risk-Bounded Multi-Agent Visual Navigation via Iterative Risk Allocation

基于迭代风险分配的有界多智能体视觉导航

Viraj Parimi, Brian C. Williams

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；planning(abstract)；分类 cs.AI

AI总结 本文提出风险有界多智能体路径规划框架，通过动态分配风险预算提升多智能体在高风险环境中的导航效率与安全性。

Comments Published at ICAPS '26

Mapping Student-AI Interaction Dynamics in Multi-Agent Learning Environments: Supporting Personalised Learning and Reducing Performance Gaps

在多智能体学习环境中映射学生与AI的交互动态：支持个性化学习并减少表现差距

Zhanxin Hao, Jie Cao, Ruimiao Li, Jifan Yu, Zhiyuan Liu, Yu Zhang

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；AI agent(abstract)

AI总结 研究探讨了大学生与多AI代理的交互模式及其对认知和非认知因素的影响，发现不同知识水平的学生表现出不同的互动策略，从而影响学习成果和动机。

Comments 27 pages, 8 figures

Learning Communication Between Heterogeneous Agents in Multi-Agent Reinforcement Learning for Autonomous Cyber Defence

在自主网络防御中的多智能体强化学习中学习异构智能体间的通信

Alex Popa, Adrian Taylor, Ranwa Al Mallah

机构 * Department of Electrical and Computer Engineering, Royal Military College of Canada（加拿大皇家军事学院电子与计算机工程系） ； Defence Research and Development Canada（加拿大国防研究与发展加拿大） ； Department of Computer Engineering and Software Engineering, Polytechnique Montréal（蒙特利尔理工学院计算机工程与软件工程系） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI、cs.LG

AI总结 本文研究了在模拟网络环境中异构智能体通信能力的多智能体系统，利用CommFormer算法训练评估智能体，结果显示异构能力的智能体在收敛速度和标准误差方面优于其他算法。

Comments 6 pages, 3 figures, 1 algorithm, conference paper. CyMARL-CommFormer code available at https://github.com/Poly-AIvsAI/CyMARL-CommFormer/tree/main

JCAS-MARL: Joint Communication and Sensing UAV Networks via Resource-Constrained Multi-Agent Reinforcement Learning

JCAS-MARL：通过资源受限多智能体强化学习实现联合通信与感知的无人机网络

Islam Guven, Mehmet Parlak

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI、cs.LG

AI总结 本文提出JCAS-MARL框架，利用多智能体强化学习解决无人机网络中通信、感知与能源约束的协同优化问题，通过动态通信图实现多无人机共识以提高检测可靠性。

Comments 6 pages, 8 figures, submitted to the conference

Multi-Agent Debate with Memory Masking

具有记忆掩码的多智能体辩论

Hongduan Tian, Xiao Feng, Ziyuan Zhao, Xiangyu Zhu, Rolan Yan, Bo Han

机构 * TMLR Group, Hong Kong Baptist University（香港 Baptist 大学 TMLR 团队） ； Search Algorithm Group, WeChat, Tencent（微信搜索算法团队，腾讯） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.CL、cs.LG

AI总结 本文提出MAD-M$^2$框架，通过在每轮辩论前屏蔽错误记忆以提升多智能体辩论的鲁棒性，实验证明其在数学和逻辑推理任务中表现更优。

Comments ICLR 2026

Optimizing Multi-Agent Weather Captioning via Text Gradient Descent: A Training-Free Approach with Consensus-Aware Gradient Fusion

通过文本梯度下降优化多智能体天气描述：一种无训练方法与共识感知梯度融合

Shixu Liu

机构 * organization= School of Computer \& Information Technology , addressline= Northeast Petroleum University , addressline= No. 99 Xuefu Street, Ranghulu District , city= Daqing , state= Heilongjiang , postcode= 163318 , country= P.R. China 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.CL

AI总结 本文提出WeatherTGD框架，通过文本梯度下降方法优化天气描述生成，利用三个专业LLM智能体生成领域特定梯度，并通过共识感知梯度融合机制提升描述质量，实验表明其在LLM和人类评估中均优于现有方法。

Comments Preprint and under consideration

Adaptive Robust Estimator for Multi-Agent Reinforcement Learning

自适应稳健估计器用于多智能体强化学习

Zhongyi Li, Wan Tian, Jingyu Chen, Kangyao Huang, Huiming Zhang, Hui Yang, Tao Ren, Jinyang Jiang, Yijie Peng, Yikun Ban, Fuzhen Zhuang

机构 * Beihang University（北京理工大学） ； Peking University（北京大学） ； Chinese Academy of Sciences（中国科学院） ； Tsinghua University（清华大学） ； Department of XXX, University of YYY, Location, Country（XXX系，YYY大学，地点，国家） ； School of ZZZ, Institute of WWW, Location, Country（ZZZ学院，WWW研究所，地点，国家） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI

AI总结 本文提出自适应稳健估计器和双智能体回答-批判-重写框架，解决多智能体协作中的信用分配和奖励噪声问题，提升训练稳定性与鲁棒性。

Unified-MAS: Universally Generating Domain-Specific Nodes for Empowering Automatic Multi-Agent Systems

统一-MAS：通用领域节点生成以增强自动多智能体系统

Hehai Lin, Yu Yan, Zixuan Wang, Bo Xu, Sudong Wang, Weiquan Huang, Ruochen Zhao, Minzhi Li, Chengwei Qin

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Nanyang Technological University（南洋理工大学） ； National University of Singapore（新加坡国立大学） ； Institute for Infocomm Research (I 2 R), A*STAR（信息通信研究院（I2R），A*STAR） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI

AI总结 本文提出统一-MAS，通过离线节点合成解耦细粒度节点实现与拓扑编排，提升多智能体系统在知识密集型领域的性能与成本效益。

Comments Code is available at https://github.com/linhh29/Unified-MAS

S5-SHB Agent: Society 5.0 enabled Multi-model Agentic Blockchain Framework for Smart Home

S5-SHB代理：面向社会5.0的多模型代理区块链框架用于智能家居

Janani Rangila, Akila Siriweera, Incheon Paik, Keitaro Naruse, Isuru Jayanada, Vishmika Devindi

机构 * KD University（KD大学） ； University of Aizu（东亚大学） 纠错

专题命中 多智能体 ：agent(title,abstract)；agentic(title)；multi-agent(abstract)；分类 cs.AI

AI总结 本文提出S5-SHB代理框架，通过多代理协调和居民控制治理，解决智能家居中适应性共识、智能多代理协调和居民可控治理的问题。

Comments 15 pages, 15 figures, preprint

Dynamic Reinsurance Treaty Bidding via Multi-Agent Reinforcement Learning

通过多智能体强化学习进行动态再保险条约投标

Stella C. Dong, James R. Finlay

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI

AI总结 本文提出一种多智能体强化学习框架，用于再保险条约投标，解决传统中介放置过程的效率问题。研究通过自主学习系统提升风险转移效率，并在再保险市场中超越传统定价方法。

Comments The authors have determined that the current version contains incomplete analysis and preliminary results that are not suitable for public dissemination. The paper is withdrawn pending major revision

AI-Driven Multi-Agent Simulation of Stratified Polyamory Systems: A Computational Framework for Optimizing Social Reproductive Efficiency

由人工智能驱动的分层多伴侣系统模拟：一种优化社会再生产效率的计算框架

Yicai Xing

机构 * Independent Researcher（独立研究者） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI

AI总结 本文提出一种计算框架，通过多智能体建模、多智能体强化学习和大语言模型驱动的社会模拟技术，研究分层多伴侣系统对改善社会福利的影响。

Comments 20 pages, 10 figures, 3 tables, 83 references

Position: Multi-Agent Algorithmic Care Systems Demand Contestability for Trustworthy AI

位置：多智能体算法护理系统需具备可挑战性以实现可信AI

Truong Thanh Hung Nguyen, Hélène Fournier, Piper Jackson, Makoto Itoh, Shannon Freeman, Rene Richard, Hung Cao

机构 * Analytics Everywhere Lab, University of New Brunswick, Canada（安利克斯 everywhere 实验室，新不伦瑞克大学，加拿大） ； National Research Council Canada, Canada（加拿大国家研究委员会，加拿大） ； Thompson Rivers University, Canada（汤普森河大学，加拿大） ； ISB Corporation, Japan（ISB公司，日本） ； University of Northern British Columbia, Canada（北北加拿大大学，加拿大） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI

AI总结 本文探讨了多智能体算法护理系统中可挑战性设计的必要性，提出通过透明性、干预机会和审查机制来增强人机协作的可信度。

Think, Speak, Decide: Language-Augmented Multi-Agent Reinforcement Learning for Economic Decision-Making

思考、表达、决定：语言增强的多智能体强化学习用于经济决策

Heyang Ma, Qirui Mi, Qipeng Yang, Zijun Fan, Bo Li, Haifeng Zhang

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI

AI总结 本文提出LAMP框架，通过思考、表达、决定三阶段整合语言信息，提升经济决策的效率与鲁棒性，实验显示其在累积收益和可解释性上优于传统方法。

Comments Extended version of an accepted paper at AAAI 2026

ProMAS: Proactive Error Forecasting for Multi-Agent Systems Using Markov Transition Dynamics

ProMAS：利用马尔可夫转移动态进行多智能体系统的前瞻性错误预测

Xinkui Zhao, Sai Liu, Yifan Zhang, Qingyu Ma, Guanjie Cheng, Naibo Wang, Chang Liu

机构 * Zhejiang University（浙江大学） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.AI

AI总结 ProMAS通过马尔可夫转移动态预测多智能体系统中的错误，采用因果delta特征捕捉语义位移，结合前瞻性预测头和跳跃检测，实现低延迟的错误定位，提升自主推理的实时性。

Collision-Free Velocity Scheduling for Multi-Agent Systems on Predefined Routes via Inexact-Projection ADMM

多智能体系统在预定义路线上的无碰撞速度调度：基于不精确投影ADMM

Seungyeop Lee, Jong-Han Kim

机构 * Department of Aerospace Engineering and the Program in Aerospace Systems Convergence（航空航天工程系和航空航天系统融合项目） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)

AI总结 本文提出一种基于不精确投影ADMM的方法，用于在预定义路线中协调多智能体系统，通过优化航点通过时间并保持航点顺序和名义路线分配，实现无碰撞的速度调度。

Partial Attention in Deep Reinforcement Learning for Safe Multi-Agent Control

深度强化学习中多智能体控制的安全部分注意力

Turki Bin Mohaya, Peter Seiler

机构 * Department of Electrical Engineering and Computer Science at the University of Michigan（密歇根大学电气工程与计算机科学系） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)

AI总结 本文提出在多智能体安全控制中应用注意力机制，设计神经网络控制高速公路汇入场景的自动驾驶车辆，通过部分注意力提升安全性和效率。

Comments This work has been accepted for publication in the proceedings of the 2026 American Control Conference (ACC), New Orleans, Louisiana, USA

Well-posedness and propagation of chaos for multi-agent models with strategies and diffusive effects

多智能体模型中策略与扩散效应的适定性及混沌传播

Alessandro Baldi, Marco Morandotti

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)

AI总结 本文研究了具有策略和扩散效应的多智能体模型的适定性及混沌传播，证明了多智能体系统与麦肯纳-瓦拉斯科斯随机微分方程的适定性，并展示了当智能体数量趋于无穷时模型的收敛性。

Cloud-mediated self-triggered synchronization of a general linear multi-agent system over a directed graph

通过云仓库实现一般线性多智能体系统的自触发同步

Takumi Namba, Kiyotsugu Takaba

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)

AI总结 本文提出通过云仓库实现一般高阶线性多智能体系统自触发同步控制的方法，通过紧致评估矩阵指数界处理指数行为，实现闭环系统有界状态同步，避免Zeno行为。

Comments 14 pages

Journal ref IET Cyber-Physical Systems: Theory & Applications, 9(4), 2024, 497-508

Current state of the multi-agent multi-view experimental and digital twin rendezvous (MMEDR-Autonomous) framework

多智能体多视角实验与数字孪生会合（MMEDR-自主）框架的当前状态

Logan Banker, Michael Wozniak, Mohanad Alameer, Smriti Nandan Paul, David Meisinger, Grant Baer, Trevor Hunting, Ryan Dunham, Jay Kamdar

机构 * Department of Mechanical and Aerospace Engineering（机械与航空航天工程系） ； Missouri University of Science and Technology（密苏里科技大学） ； Purdue University（普渡大学） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)

AI总结 本文提出MMEDR-自主框架，结合学习型光学导航网络、强化学习引导方法和硬件在环测试台，旨在提升空间任务的自主性和安全性。

AlphaLogics: A Market Logic-Driven Multi-Agent System for Scalable and Interpretable Alpha Factor Generation

AlphaLogics：一种基于市场逻辑的多智能体系统，用于可扩展且可解释的Alpha因子生成

Zhangyuhua Weng, Shengli Zhang, Taotao Wang, Yihan Xia

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title,abstract)

AI总结 AlphaLogics通过提取市场逻辑指导因子生成，提升预测指标和风险调整收益，构建可解释的市场逻辑库。

MARLIN: Multi-Agent Reinforcement Learning for Incremental DAG Discovery

MARLIN：用于增量DAG发现的多智能体强化学习

Dong Li, Zhengzhang Chen, Xujiang Zhao, Linlin Yu, Zhong Chen, Yi He, Haifeng Chen, Chen Zhao

专题命中 多智能体 ：agent(title,abstract)；multi-agent(title)；分类 cs.AI、cs.LG

AI总结 本文提出MARLIN方法，通过多智能体强化学习实现高效增量DAG学习，采用DAG生成策略和两个RL智能体以发现因果关系，并利用分因动作空间提升并行效率，实验表明其在效率和效果上优于现有方法。

Comments AAAI 2026

Agentic Physical-AI for Self-Aware RF Systems

代理物理-AI用于自感知射频系统

Linuka Ratnayake, Danidu Dabare, Sanuja Rupasinghe, Warren Jayakumar, Dileepa Marasinghe, Chamira U. S. Edussooriya, Arjuna Madanayake

专题命中 多智能体 ：agentic(title)；agent(abstract)；AI agent(abstract)；multi-agent(abstract)

AI总结 本文提出一种多代理神经符号AI系统，用于自适应射频系统。通过为电路组件分配AI代理，利用内部模型和控制算法实现动态优化，展示出在IF放大器建模中的有效性。

Comments 2 pages, 3 figures, Accepted for 2026 International Applied Computational Electromagnetics Society (ACES) Symposium

The AI Scientific Community: Agentic Virtual Lab Swarms

AI科学社区：代理虚拟实验室群

Ulisses Braga-Neto

机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） 纠错

专题命中 多智能体 ：agentic(title,abstract)；分类 cs.AI

AI总结 本文提出利用虚拟实验室群模拟AI科学社区，通过去中心化协调和探索-利用平衡机制加速科学发现。

Reason-to-Transmit: Deliberative Adaptive Communication for Cooperative Perception

为协作感知设计的理性传输：具有适应性的 deliberative 通信

Aayam Bansal, Ishaan Gangwani

机构 * Synthetic Sciences（合成科学） 纠错

专题命中 多智能体 ：agent(abstract)；autonomous agent(abstract)；multi-agent(abstract)；分类 cs.AI

AI总结 本文提出R2T框架，通过轻量级Transformer模块实现基于场景上下文和带宽预算的理性传输决策，提升多智能体协作感知性能。

The Intelligent Disobedience Game: Formulating Disobedience in Stackelberg Games and Markov Decision Processes

智能不服从游戏：在Stackelberg游戏和马尔可夫决策过程中建模不服从

Benedikt Hornig, Reuth Mirsky

机构 * Independent Researcher（独立研究者） ； Tufts University（塔夫茨大学） 纠错

专题命中 多智能体 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出智能不服从游戏（IDG），通过Stackelberg游戏框架建模人类与辅助体的不对称信息交互，分析多步场景中的最优策略，揭示如'安全陷阱'等战略现象，为开发安全非合规学习算法和研究人类对不服从AI的信任提供数学基础。

Comments Accepted for presentation at the Rebellion and Disobedience in AI (RaD-AI) at AAMAS 2026

Future-Interactions-Aware Trajectory Prediction via Braid Theory

基于编织理论的未来交互感知轨迹预测

Caio Azevedo, Stefano Sabatini, Sascha Hornauer, Fabien Moutarde

机构 * Stellantis（斯特拉蒂斯） ； École des Mines de Paris（巴黎 Mines 工程学院） 纠错

专题命中 多智能体 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI

AI总结 本文提出利用编织理论描述多智能体行为，通过引入编织预测任务提升轨迹预测的社交意识，从而在三个数据集上显著改进联合预测性能。

Comments To be published in IEEE Intelligent Vehicles Symposium (IV) 2026

Interacting Particle Systems on Networks: joint inference of the network and the interaction kernel

网络上的粒子系统：网络和交互核的联合推断

Quanjun Lang, Xiong Wang, Fei Lu, Mauro Maggioni

机构 * Department of Mathematics, Duke University, Durham, USA（杜克大学数学系，美国达勒姆） ； School of Mathematics, Sun Yat-sen University, Guangzhou, China（中山大学数学学院，中国广州） ； Department of Mathematics, Johns Hopkins University, Baltimore, USA（约翰霍普金斯大学数学系，美国巴尔的摩） ； Department of Applied Mathematics and Statistics, Johns Hopkins University, Baltimore, USA（约翰霍普金斯大学应用数学与统计学系，美国巴尔的摩） 纠错

专题命中 多智能体 ：agent(abstract)；multi-agent(abstract)；分类 cs.LG

AI总结 本文研究了网络上的多智能体系统建模问题，通过联合推断网络结构和交互核来确定智能体间的交互关系与规则，提出非凸优化方法及两种算法：交替最小二乘法和运算回归交替最小二乘法，验证了其在大规模数据中的有效性。

Comments 53 pages, 17 figures

Profit is the Red Team: Stress-Testing Agents in Strategic Economic Interactions

利润是红队：在战略经济互动中压力测试代理

Shouqiao Wang, Marcello Politi, Samuele Marro, Davide Crapis

机构 * Columbia University（哥伦比亚大学） ； dAI Team, Ethereum Foundation（dAI团队，以太坊基金会） ； University of Oxford（牛津大学） 纠错

专题命中 多智能体 ：agent(abstract)；agentic(abstract)；分类 cs.AI

AI总结 本文提出基于利润的红队测试方法，通过学习对手最大化利润来压力测试代理，发现传统静态基线在利润优化压力下易受攻击，且学习对手能自主发现 probing、anchoring 和 deceptive commitments 策略。