AI Agent

Authorization Propagation in Multi-Agent AI Systems: Identity Governance as Infrastructure

多智能体AI系统中的授权传播：身份治理作为基础设施

Krti Tallam

机构 * Kamiwaza AI 纠错

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

AI总结 本文探讨多智能体系统中授权传播问题，提出三个子问题和七项结构要求，强调身份治理应作为基础设施持续评估和设计。

Comments Security and systems paper, 20 pages

CompassLLM: A Multi-Agent Approach toward Geo-Spatial Reasoning for Popular Path Query

CompassLLM: 一种面向流行路径查询的多智能体方法

Md. Nazmul Islam Ananto, Shamit Fatin, Mohammed Eunus Ali, Md Rizwan Parvez

机构 * Bangladesh University of Engineering and Technology（孟加拉工程科技大学） ； University of Utah（犹他大学） ； Monash University（莫纳什大学） ； Qatar Computing Research Institute（卡塔尔计算研究所） 纠错

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

AI总结 CompassLLM通过多智能体框架解决流行路径查询问题，结合空间推理能力提升搜索和生成性能，实验显示其在准确性和成本效益方面表现优异。

Retrieval-Conditioned Topology Selection with Provable Budget Conservation for Multi-Agent Code Generation

基于可证明预算保守的检索条件拓扑选择多智能体代码生成

Abhijit Talluri, Pujith Anne, Bhagavan Choudary Pendiyala, Raghavendra Chilukuri

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RGAO架构，通过提取代码结构复杂度向量实现多智能体代码生成系统的拓扑选择，结合复杂度条件LLM路由与形式资源代数，实现可证明的预算保守性，降低误路由率并提升代码检索效率。

Comments 30 pages, 9 figures. NeurIPS 2026 Evaluations and Datasets Track Submission Under review

A Case-Driven Multi-Agent Framework for E-Commerce Search Relevance

基于案例的多智能体框架用于电子商务搜索相关性

Commerce Search Relevance Team

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

AI总结 本文提出基于案例的多智能体框架，通过自动化处理差评案例识别与解决，提升电子商务搜索相关性。框架包含标注、优化和用户智能体，结合统一模型和全局记忆，实现持续改进的智能系统。

Comments Tech Report

SANEmerg: An Emergent Communication Framework for Semantic-aware Agentic AI Networking

SANEmerg: 一种面向语义感知代理AI网络的涌现通信框架

Yong Xiao, Haoran Zhou, Yujie Zhou, Marwan Krunz

机构 * 1 School of Elect. Inform. \& Commun., Huazhong Univ. of Science \& Technology, China ； 2 Peng Cheng Laboratory, Shenzhen, China ； 3 Pazhou Laboratory (Huangpu), Guangzhou, China ； 4 Department of Electrical ； Computer Engineering, the University of Arizona 纠错

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

AI总结 本文提出SANEmerg框架，通过语义感知机制自动检测用户意图并分配子任务，提升大规模代理AI网络的通信效率与性能。

Comments Accepted at IEEE/IFIP WiOpt Workshop, Columbus, OH, USA, June 2026

Cross-Modal Navigation with Multi-Agent Reinforcement Learning

跨模态导航与多智能体强化学习

Shuo Liu, Xinzichen Li, Christopher Amato

机构 * Khoury College of Computer Sciences（计算机科学学院） 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CRONA框架，通过多智能体强化学习实现跨模态导航，利用辅助信念和集中式多模态批评者提升协作效率，实验表明多智能体方法在视觉-听觉导航中优于单智能体基线。

Coordination Matters: Evaluation of Cooperative Multi-Agent Reinforcement Learning

协作至关重要：合作多智能体强化学习的评估

Maria Ana Cardei, Matthew Landers, Afsaneh Doryab

机构 * University of Virginia（弗吉尼亚大学） 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 本文提出一种考虑协作的评估视角，通过STAT测试平台评估六种价值导向的MARL方法，揭示不同协调机制对性能的影响。

Comments 27 pages. Submitted and under review

Multi-agent decision making: A Blackwell's informativeness approach

多智能体决策：基于Blackwell信息性的方法

Zheng Zhang, Cuong C. Nguyen, Kevin Wells, Gustavo Carneiro

机构 * Centre for Vision, Speech and Signal Processing, University of Surrey（视觉、语音和信号处理中心，萨里大学） 纠错

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

AI总结 本文提出基于Blackwell信息性的多智能体决策分析方法，通过理论分析引入实用方法提升问答任务性能，实验表明优于现有多LLM辩论和投票方法。

BioResearcher: Scenario-Guided Multi-Agent for Translational Medicine

BioResearcher: 用于转化医学的场景引导多智能体系统

Remigiusz Kinas, Joanna Krawczyk, Rafał Powalski, Przemysław Pietrzak, Agnieszka Kowalewska, Krzysztof Kolmus, Maciej Sypetkowski, Łukasz Smoliński, Tomasz Jetka

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BioResearcher，一种场景引导的多智能体系统，通过版本化研究 playbook 将查询映射到多种工具和机器学习端点，实现跨异构生物医学数据源的可审计、场景特定工作流。系统在单元级能力、开放性生物医学推理和端到端临床发现中均表现优异。

Comments 5 pages (main text), 21 pages (appendix), 8 figures, 11 tables

AGMARL-DKS: An Adaptive Graph-Enhanced Multi-Agent Reinforcement Learning for Dynamic Kubernetes Scheduling

AGMARL-DKS: 一种适应性图增强多智能体强化学习用于动态Kubernetes调度

Hamed Hamzeh

机构 * University of Westminster Computer Science（威斯敏斯特大学计算机科学） ； University of Westminster（威斯敏斯特大学） 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AGMARL-DKS，通过多智能体强化学习解决动态Kubernetes调度问题，引入图神经网络和应力感知策略，提升容错性和资源利用率。

Detecting Time Series Anomalies Like an Expert: A Multi-Agent LLM Framework with Specialized Analyzers

像专家一样检测时间序列异常：一种多智能体LLM框架与专用分析器

Hyeongwon Kang, Jeongseob Kim, Jinwoo Park, Pilsung Kang

机构 * Department of Industrial and Management Engineering（工业与管理工程系） ； Korea University（韩国大学） ； Department of Industrial Engineering（工业工程系） ； Seoul National University（首尔国立大学） 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SAGE框架，通过四个专用分析器检测单变量时间序列的异常，结合数值工具和可视化生成证据，提升异常检测的可靠性与实用性。

Comments Preprint. 9 pages main text, 29 pages total, 8 figures, 9 tables, with appendix

Cooperative Profiles Predict Multi-Agent LLM Team Performance in AI for Science Workflows

协同特征预测多智能体LLM团队在AI for Science工作流中的性能

Shivani Kumar, Adarsh Bharathwaj, David Jurgens

机构 * University of Michigan（密歇根大学） 纠错

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

AI总结 本文通过六种行为经济学游戏评估35个LLM的协同特征，发现其能有效预测AI for Science任务中的团队表现，特别是在数据处理、建模和报告生成中，协同策略优于贪心策略。

AgenticPrecoding: LLM-Empowered Multi-Agent System for Precoding Optimization

代理预编码：基于LLM的多智能体系统用于预编码优化

Zijiu Yang, Zixiang Zhang, Shunpu Tang, Qianqian Yang, Zhiguo Shi

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

AI总结 本文提出AgenticPrecoding框架，通过多智能体系统自动推导端到端预编码，提升未来6G网络中异构场景的适应性。

A Distributed Primal-Dual Method for Constrained Multi-agent Reinforcement Learning with General Parameterization

一种用于带一般参数化的约束多智能体强化学习的分布式对偶方法

Ali Kahe, Hamed Kebriaei

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

AI总结 本文提出了一种分布式方法，解决约束多智能体强化学习问题，通过局部信息估计拉格朗日乘数，实现完全去中心化的在线学习，分析算法收敛性及近似解的最优性。

Bandit Learning in General Open Multi-agent Systems

一般开放多智能体系统中的强化学习

Mengfan Xu

机构 * Mechanical and Industrial Engineering University of Massachusetts Amherst（机械与工业工程大学马萨诸塞大学阿姆赫斯特） 纠错

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

AI总结 本文研究一般开放多智能体系统中的强化学习问题，提出统一的开放系统带抵制问题框架，引入预训练度、稳定性等新概念，并开发具有证明保证的全局UCB学习方法。

Predictable Relative Forward Performance Processes: Multi-Agent and Mean Field Games for Portfolio Management

可预测的相对前向表现过程：多智能体与均值场博弈在投资组合管理中的应用

Gechun Liang, Moris S. Strub, Yuwei Wang

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

AI总结 本文提出可预测的相对前向表现过程（PRFPP）框架，用于研究竞争不完全市场中的投资组合管理。通过分析不同市场状态下的投资策略，发现相对表现担忧并不必然导致对风险资产的更多投资。

BehaviorGuard: Online Backdoor Defense for Deep Reinforcement Learning

BehaviorGuard: 面向深度强化学习的在线后门防御

Yinbo Yu, Xueyu Yin, Jiadai Wang, Chunwei Tian, Sai Xu, Qi Zhu, Daoqiang Zhang

机构 * College of Artificial Intelligence, Nanjing University of Aeronautics and Astronautics（南京航空航天大学人工智能学院） ； School of Cybersecurity, Northwestern Polytechnical University（西北工业大学网络安全学院） ； School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院） ； Department of Electronic and Electrical Engineering, University College London（伦敦大学学院电子与电气工程系） 纠错

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

AI总结 本文提出BehaviorGuard，一种基于行为的在线后门检测与缓解框架，通过分析动作分布变化识别并抑制后门行为，在单 agent 和多 agent DRL 中均有效。

Comments 11 pages

Journal ref IJCAI 2026

MAT-Cell: A Multi-Agent Tree-Structured Reasoning Framework for Batch-Level Single-Cell Annotation

MAT-Cell: 一种多智能体树状推理框架用于批量单细胞注释

Yehui Yang, Zelin Zang, Xienan Zheng, Yuzhe Jia, Changxi Chi, Jingbo Zhou, Chang Yu, Jinlin Wu, Fuji Yang, Jiebo Luo, Zhen Lei, Stan Z. Li

机构 * Westlake University（西湖大学） ； Shenzhen University of Advanced Technology（深圳先进技术大学） ； Center for Artificial Intelligence and Robotics（人工智能与机器人中心） ； Hong Kong Institute of Science and Innovation（香港科学与创新研究院） ； Chinese Academy of Sciences（中国科学院） ； University Key Laboratory of Information and Communication Security Backup and Recovery（信息与通信安全备份与恢复大学重点实验室） 纠错

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

AI总结 MAT-Cell通过分离证据基础与标签决策，结合反向验证查询和多轮辩论，提升批量单细胞注释的准确性与可追溯性。

Improving the Efficiency of Language Agent Teams with Adaptive Task Graphs

通过自适应任务图提高语言代理团队的效率

Elizabeth Mieczkowski, Alexander Ku, Tiwalayo Eisape, Dilip Arumugam, John Matters, Katherine M. Collins, Ilia Sucholutsky, Thomas L. Griffiths

机构 * Princeton University（普林斯顿大学） ； University of Cambridge（剑桥大学） ； MIT（麻省理工学院） ； New York University（纽约大学） 纠错

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

AI总结 本文提出LATTE框架，通过自适应任务图提升语言代理团队效率，减少资源消耗并提高协作准确性。

Secure Intellicise Wireless Network: Agentic AI for Coverless Semantic Steganography Communication

安全智能无线网络：面向无载体语义隐写通信的智能体AI

Rui Meng, Song Gao, Bingxuan Xu, Xiaodong Xu, Jianqiao Chen, Nan Ma, Pei Xiao, Ping Zhang, Rahim Tafazolli

专题命中 多智能体 ：agentic(title,abstract)

AI总结 本文提出基于智能体AI的无载体语义隐写通信方案，通过消除载体图像和私有语义密钥的需求，提升隐写容量与传输安全。

Comments 16 pages, 14 figures

TSGuard: Automated User-Centric Incident Diagnosis for AI Workloads in the Cloud

TSGuard：云中AI工作负载的自动化用户导向事件诊断

Yitao Yang, Yangtao Deng, Yifan Xiong, Baochun Li, Hong Xu, Peng Cheng

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

AI总结 TSGuard通过构建领域知识库和模拟专家诊断，提升云中AI工作负载事件诊断的准确性和效率，验证结果显示其在诊断准确率和验证时间上均优于现有方法。

Comments Camera-ready version for ACM FSE 2026 (PACMSE)

Dynamic Authorization for Knowledge-Base Agents in 6G

6G中知识库代理的动态授权

Loay Abdelrazek, Leyli Karacay, Marin Orlic

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

AI总结 本文提出一种混合授权框架，结合角色和一阶逻辑谓词，在知识图谱层面实施零信任原则，以实现对6G多智能体系统中共享知识库的安全访问。

Comments Preprint of a poster paper accepted in EUCNC 6G Summit June 2026

Conversation for Non-verifiable Learning: Self-Evolving LLMs through Meta-Evaluation

对话式非验证学习：通过元评估自我进化的大型语言模型

Yuan Sui, Bryan Hooi

机构 * National University of Singapore（新加坡国立大学） 纠错

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

AI总结 本文提出CoNL框架，通过多智能体自我对弈实现生成、评估与元评估的统一，利用批评质量提升解决方案来改进模型，无需外部评委或真实标签。

Comments Accepted by ICML'26

A Review of Large Language Models for Stock Price Forecasting from a Hedge-Fund Perspective

对冲基金视角下大型语言模型在股票价格预测中的综述

Olivia Zhang, Zhilin Zhang

机构 * Hockaday School（霍卡迪学校） ； Lumos Alpha（卢姆斯阿尔法） 纠错

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

AI总结 本文综述了大型语言模型在股票预测中的应用，包括从新闻和社交媒体提取情绪、分析财务报告和电话会议记录，以及构建多智能体交易系统，并指出实践中常被忽视的问题，如情绪分析的脆弱性、数据集和时间范围设计、性能评估指标、数据泄露、流动性溢价和股价预测的局限性。

Comments Accepted at the IEEE Conference on Artificial Intelligence, Spain, May 8--10, 2026

Independent Learning of Nash Equilibria in Partially Observable Markov Potential Games with Decoupled Dynamics

在具有解耦动态的可部分观测马尔可夫势博弈中独立学习纳什均衡

Philip Jordan, Maryam Kamgarpour

机构 * SYCAMORE, EPFL（SYCAMORE，瑞士联邦理工学院） 纠错

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

AI总结 本文研究了在可部分观测马尔可夫博弈（POMG）中纳什均衡的学习问题，提出了一种独立学习算法，通过不通信的方式，使玩家在仅观察自身动作和观测的情况下，联合收敛到近似纳什均衡，从而实现高效的样本和计算复杂度。

Topology-Driven Anti-Entanglement Control for Soft Robots

拓扑驱动的抗纠缠控制用于软机器人

Haoyang Le, Shengxuan Wang, Mohan Chen, Shuo Feng

机构 * School of Mathematics and Statistics, Zhengzhou University（郑州大学数学与统计学学院） ； School of Computer Science and Artificial Intelligence, Zhengzhou University（郑州大学计算机科学与人工智能学院） ； College of Information Engineering, North China University of Water Resources and Electric Power（华北水利水电大学信息工程学院） 纠错

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

AI总结 本文提出拓扑驱动多智能体强化学习框架，通过集中学习和拓扑安全层协调多机器人系统，解决复杂环境中纠缠问题，提升收敛性和抗缠绕效果。

Comments 17 pages, 4 figures

Taming the Curses of Multiagency in Robust Markov Games with Large State Space through Linear Function Approximation

通过线性函数近似缓解大规模马尔可夫游戏中多智能体的诅咒

Jingchu Gai, Laixi Shi

机构 * CMU Machine Learning Department（卡内基梅隆大学机器学习系） ； Machine Learning Department, Carnegie Mellon University（机器学习系，卡内基梅隆大学） ； Department of Electrical and Computer Engineering, Johns Hopkins University（约翰霍普金斯大学电气与计算机工程系） 纠错

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

AI总结 本文提出通过线性函数近似解决大规模马尔可夫游戏中多智能体的样本复杂度诅咒，开发了在生成模型和新提出的在线交互设置中具有证明数据效率的算法。

BOIL: Learning Environment Personalized Information

BOIL: 多智能体系统中环境个性化信息学习

Rohan Patil, Henrik I. Christensen

机构 * Department of Computer Science and Engineering（计算机科学与工程系） 纠错

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

AI总结 本文提出BOIL方法，通过PageRank算法和共同信息最大化提取环境结构信息，指导多智能体长期行为，提升复杂环境下的策略性能。

Invariant Manifolds of Discrete-time Dynamical Systems with Nonlinear Exosystems via Hybrid Physics-Informed Neural Networks

离散时间动力系统中非线性外系统不变流形的混合物理信息神经网络

Dimitrios G. Patsatzis, Nikolaos Kazantzis, Ioannis G. Kevrekidis, Lucia Russo, Constantinos Siettos

机构 * Modelling Engineering Risk & Complexity, Scuola Superiore Meridionale（工程风险与复杂性建模，南方高级学校） ； Dept. of Chemical Engineering, Worcester Polytechnic Institute（化学工程系，沃思希尔理工大学） ； Dept. of Chemical & Biomolecular Engineering, Johns Hopkins University（化学与生物分子工程系，约翰霍普金斯大学） ； Dept. of Applied Mathematics and Statistics, Johns Hopkins University（应用数学与统计学系，约翰霍普金斯大学） ； Medical School, Department of Urology, Johns Hopkins University（医学院，泌尿科，约翰霍普金斯大学） ； Institute of Science and Technology for Energy and Sustainable Mobility, Consiglio Nazionale delle Ricerche（能源与可持续交通科学技术研究所，国家研究委员会） 纠错

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

AI总结 本文提出混合物理信息机器学习框架，用于近似由外源自主动态驱动的离散时间动力系统的不变流形。通过结合多项式级数与浅层神经网络，该方法在低至中等维数流形中有效，结合多项式和神经网络的优势，提升精度与收敛性。

Comments 33 pages (29 pages of main text and Appendix, 4 of Supplement), 7 Figures (5 in the main text and Appendix and 2 in the Supplement)

Multiagent Stochastic Shortest Path Problem

多智能体随机最短路径问题

Martin Jonáš, Antonín Kučera, Vojtěch Kůr, Jan Mačák, Vojtěch Řehák

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

AI总结 研究多智能体随机最短路径问题，旨在最小化任意智能体到达目标状态的期望时间，设计高效策略合成算法并进行实验验证。

Comments A full version of the paper that was presented at IJCAI 2026