AI Agent

SPEAR: An Engineering Case Study of Multi-Agent Coordination for Smart Contract Auditing

SPEAR：智能合约审计中的多智能体协调工程案例研究

Indraveni Chebolu, Arnab Mallick, Harmesh Rana

机构 * Centre for Development of Advanced Computing（先进计算发展中心） 纠错

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

AI总结 SPEAR通过多智能体框架提升智能合约审计效率，采用风险感知启发式优先级分配与自动修复策略，实验证明其在协调性、恢复能力和资源利用方面的优势。

Comments Accepted at 14th International Workshop on Engineering Multi-Agent Systems(EMAS @ AAMAS)

Camera Artist: A Multi-Agent Framework for Cinematic Language Storytelling Video Generation

Camera Artist: 一种多智能体框架用于电影语言叙事视频生成

Haobo Hu, Qi Mao, Yuanhang Li, Libiao Jin

机构 * School of Information and Communication Engineering, Communication University of China（中国传媒大学信息与通信工程学院） ； State Key Laboratory for Multimedia Information Processing, School of Computer Science, Peking University（北京大学计算机学院多媒体信息处理国家重点实验室） 纠错

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

AI总结 Camera Artist通过引入专门的 cinematography shot agent，增强了镜头间叙事连贯性和电影语言表达，提升了视频叙事的连贯性和表现力。

Every Response Counts: Quantifying Uncertainty of LLM-based Multi-Agent Systems through Tensor Decomposition

每种回应都重要：通过张量分解量化基于大语言模型的多智能体系统不确定性

Tiejin Chen, Huaiyuan Yao, Jia Chen, Evangelos E. Papalexakis, Hua Wei

机构 * Arizona State University（亚利桑那州立大学） ； University of California, Riverside（加利福尼亚大学河滨分校） 纠错

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

AI总结 本文提出MATU框架，通过张量分解量化多智能体系统中的不确定性，解决多步推理、通信路径变化和拓扑多样性等挑战，提供通用可靠性评估。

Comments Accept to ACL 26

Group-Aware Coordination Graph for Multi-Agent Reinforcement Learning

群体感知协调图用于多智能体强化学习

Wei Duan, Jie Lu, Junyu Xuan

机构 * Australian Artificial Intelligence Institute (AAII), University of Technology（澳大利亚人工智能研究所（AAII），悉尼科技大学） 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 本文提出群体感知协调图，用于捕捉智能体间合作及群体依赖，通过图卷积促进信息交换，并引入群体距离损失增强群体凝聚力。

Comments Accepted by IJCAI 2024. Update Discussion

Adaptive Tuning of Parameterized Traffic Controllers via Multi-Agent Reinforcement Learning

基于多智能体强化学习的参数化交通控制器自适应调节

Giray Önür, Azita Dabiri, Bart De Schutter

机构 * Delft Center for Systems and Control, Delft University of Technology（代尔夫特理工大学系统与控制中心） 纠错

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

AI总结 本文提出一种多智能体强化学习框架，通过自适应调节状态反馈控制器参数，提升交通控制的适应性和效率，实验显示其在复杂交通条件下表现优异且抗干扰能力强。

Comments Accepted for presentation and publication in the proceedings of the 2026 European Control Conference (ECC)

Plasticity-Enhanced Multi-Agent Mixture of Experts for Dynamic Objective Adaptation in UAVs-Assisted Emergency Communication Networks

增强塑性性多智能体专家混合模型用于无人机辅助应急通信网络动态目标适应

Wen Qiu, Zhiqiang He, Wei Zhao, Hiroshi Masui

机构 * Kitami Institute of Technology（北见工业大学） ； University of Electro-Communications（电气通信大学） ； Anhui University of Technology（安徽工业大学） 纠错

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

AI总结 本文提出PE-MAMoE模型，通过增强塑性机制提升无人机在动态目标适应中的性能，实验显示其在用户容量、碰撞减少等方面有显著提升。

Comments 20 pages, 12 figures, 3 tables

Enhancing LLM Problem Solving via Tutor-Student Multi-Agent Interaction

通过导师-学生多智能体交互增强LLM问题解决能力

Nurullah Eymen Özdemir, Erhan Oztop

机构 * Ozyegin University（奥兹耶金大学） 纠错

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

AI总结 本文提出PETITE框架，通过角色差异化交互提升LLM问题解决性能，对比自一致性、自修正等方法，显示在APPS基准上准确率相近或更高且消耗更少token。

Comments 7 pages, 3 figures, This work is under review for conference appearance

Wireless Communication Enhanced Value Decomposition for Multi-Agent Reinforcement Learning

无线通信增强的价值分解用于多智能体强化学习

Diyi Hu, Bhaskar Krishnamachari

机构 * University of Southern California（南加州大学） 纠错

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

AI总结 本文提出CLOVER框架，通过无线通信图增强价值分解，提升多智能体强化学习的收敛速度和性能。

Creator Incentives in Recommender Systems: A Cooperative Game-Theoretic Approach for Stable and Fair Collaboration in Multi-Agent Bandits

推荐系统中的创作者激励：一种基于合作博弈的稳定且公平的多智能体老虎机方法

Ramakrishnan Krishnamurthy, Arpit Agarwal, Lakshminarayanan Subramanian, Maximilian Nickel

机构 * Courant Institute, New York University（纽约大学库朗数学研究所） ； Indian Institute of Technology Bombay（印度理工学院孟买分校） ； FAIR, Meta AI（Meta AI 基础人工智能研究团队） 纠错

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

AI总结 本文提出基于合作博弈的多智能体老虎机模型，分析推荐系统中创作者激励问题，证明在同质智能体下博弈凸性，提出基于 regrets 的支付规则，实验显示支付与Shapley公平性的一致性与差异。

Comments Accepted in AISTATS 2026 as an Oral Presentation

Bandwidth-constrained Variational Message Encoding for Cooperative Multi-agent Reinforcement Learning

带宽约束的变分信息编码用于协作多智能体强化学习

Wei Duan, Jie Lu, En Yu, Junyu Xuan

机构 * University of Technology Sydney（悉尼科技大学） 纠错

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

AI总结 本文提出带宽约束的变分信息编码（BVME），通过学习高斯后验分布并利用KL散度正则化，解决多智能体强化学习中信息传输的带宽限制问题，在多个基准测试中表现出色。

Comments Accepted by AAMAS 2026 (oral) with appendix

Bayesian Ego-graph Inference for Networked Multi-Agent Reinforcement Learning

基于贝叶斯的 ego 图推断用于网络化多智能体强化学习

Wei Duan, Jie Lu, Junyu Xuan

机构 * Australian Artificial Intelligence Institute（澳大利亚人工智能研究所） ； University of Technology Sydney（悉尼科技大学） 纠错

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

AI总结 本文提出 BayesG 框架，通过贝叶斯变分推断学习稀疏交互结构，提升网络化多智能体强化学习在大规模交通控制任务中的性能。

Comments Accepted at NeurIPS 2025. Correction to ELBO Derivation (Equations 33 and Final Objective). https://openreview.net/forum?id=3qeTs05bRL

Inferring Latent Temporal Sparse Coordination Graph for Multi-Agent Reinforcement Learning

推断多智能体强化学习中的潜在时序稀疏协调图

Wei Duan, Jie Lu, Junyu Xuan

机构 * Australian Artificial Intelligence Institute (AAII), Faculty of Engineering and Information Technology, University of Technology Sydney（澳大利亚人工智能研究所（AAII），悉尼科技大学工程与信息技术学院） 纠错

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

AI总结 本文提出一种潜在时序稀疏协调图(LTS-CG)用于多智能体强化学习，通过历史观测计算智能体对概率矩阵，构建稀疏图以捕捉依赖关系和不确定性，同时减少计算复杂度并提升协作效率。

Comments Accepted by IEEE TNNLS on 17-Nov-2024. Update Discussion

Generative AI Agent Empowered Power Allocation for HAP Propulsion and Communication Systems

生成式AI代理赋能的高海拔平台推进与通信系统功率分配

Xiaoyu Xing, Dingyi Lu, Peng Yang, Zehui Xiong, Xianbin Cao, Tony Q. S. Quek

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

AI总结 本文提出生成式AI代理用于高海拔平台功率分配，解决推进与通信系统耦合问题，提出Q3E算法提升通信质量和能效。

Multi-agent Reinforcement Learning for Low-Carbon P2P Energy Trading among Self-Interested Microgrids

多智能体强化学习用于低碳P2P能源交易中的自利微电网

Junhao Ren, Honglin Gao, Lan Zhao, Qiyu Kang, Gaoxi Xiao, Yajuan Sun

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

AI总结 本文提出多智能体强化学习框架，用于自利微电网参与点对点电力交易，提升可再生能源利用率并减少高碳电力依赖，实现减排与地方繁荣的双赢。

Comments Accepted by IEEE ICC 2026, 6 pages, 2 figures

AlphaLab: Autonomous Multi-Agent Research Across Optimization Domains with Frontier LLMs

AlphaLab：利用前沿大语言模型实现跨优化领域的自主多智能体研究

Brendan R. Hogan, Xiwen Chen, James T. Wilson, Kashif Rasul, Adel Boyarsky, Thomas Kamei, Anderson Schneider, Yuriy Nevmyvaka

机构 * Morgan Stanley（摩根士丹利） 纠错

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

AI总结 AlphaLab通过自主研究系统，利用前沿大语言模型自动完成量化计算密集型领域的完整实验流程，展示了在CUDA内核优化、LLM预训练和交通预测中的显著性能提升。

Comments 43 pages, 12 figures

Semantic Rate-Distortion for Bounded Multi-Agent Communication: Capacity-Derived Semantic Spaces and the Communication Cost of Alignment

语义率-失真：受限多智能体通信的容量导出语义空间及对齐成本

Anthony T. Nixon

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

AI总结 本文研究多智能体在受限通信下的语义率-失真问题，提出基于容量导出的语义空间，并探讨通信对齐的成本与结构相变。

Comments 34 pages, 13 figures. Code: https://github.com/alch3mistdev/semantic-rate-distortion

Alleviating Community Fear in Disasters via Multi-Agent Actor-Critic Reinforcement Learning

通过多智能体Actor-Critic强化学习缓解灾害中的社区恐惧

Yashodhan D. Hakke, Almuatazbellah M. Boker, Lamine Mili, Michael von Spakovsky, Hoda Eldardiry

机构 * Bradley Department of Electrical and Computer Engineering, Virginia Tech（弗吉尼亚理工大学布拉德利电气与计算机工程系） ； Department of Mechanical Engineering, Virginia Tech（弗吉尼亚理工大学机械工程系） ； Department of Computer Science, Virginia Tech（弗吉尼亚理工大学计算机科学系） 纠错

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

AI总结 本文提出利用多智能体Actor-Critic强化学习模型，通过整合电力、通信和应急管理三个部门的控制通道，提升灾害中社区恐惧的缓解能力，并通过飓风哈维和伊尔玛的模拟验证了方法的有效性。

Comments 10 pages, 6 figures

MONETA: Multimodal Industry Classification through Geographic Information with Multi Agent Systems

MONETA：通过地理信息和多智能体系统进行多模态行业分类

Arda Yüksel, Gabriel Thiem, Susanne Walter, Patrick Felka, Gabriela Alves Werb, Ivan Habernal

机构 * Trustworthy Human Language Technologies（可信人类语言技术实验室） ； Technical University of Darmstadt, Germany（德国达姆施塔特工业大学） ； Deutsche Bundesbank（德国联邦银行） ； Frankfurt University of Applied Sciences, Germany（德国法兰克福应用技术大学） ； Research Center for Trustworthy Data Science and Security, Ruhr University Bochum, Germany（德国波鸿鲁尔大学可信数据科学与安全研究中心） 纠错

专题命中 多智能体 ：agent(title)；分类 cs.AI

AI总结 本文提出MONETA，首个基于文本和地理空间数据的多模态行业分类基准，利用多智能体系统提升分类精度，实现62.10%和74.10%的分类性能。

Comments Accepted to ACL 2026 Main Conference

Decentralized Collective World Model for Emergent Communication and Coordination

去中心化的集体世界模型用于涌现通信与协调

Kentaro Nomura, Tatsuya Aoki, Tadahiro Taniguchi, Takato Horii

机构 * The University of Osaka（大阪大学） ； Kyoto University（京都大学） ； Ritsumeikan University（立命馆大学） ； The University of Tokyo（东京大学） 纠错

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

AI总结 本文提出一种去中心化的多智能体世界模型，通过时间扩展的集体预测编码实现通信与协调的同步发展，通过对比学习促进信息对齐，展示了在双智能体轨迹绘制任务中优于非通信模型的协调能力。

Comments Accepted at IEEE ICDL 2025