Dynamically writing coupled memories using a reinforcement learning agent, meeting physical bounds
专题命中 记忆与上下文管理 :agent(title,abstract);分类 cs.LG
Comments Main text: 5 pages, 4 figures. Submitted to PNAS
AI 大模型
智能体、工具调用、规划、工作流、多智能体和自主任务执行。
专题命中 记忆与上下文管理 :agent(title,abstract);分类 cs.LG
Comments Main text: 5 pages, 4 figures. Submitted to PNAS
专题命中 记忆与上下文管理 :agent(title,abstract);分类 cs.LG
Comments accepted to CVPR'2021 as an oral presentation. Code and video will be released soon
专题命中 记忆与上下文管理 :workflow(title,abstract);分类 cs.AI
Comments Accepted at IEEE Transactions on Medical Imaging (IEEE TMI); Code is available at https://github.com/YuemingJin/TMRNet
专题命中 记忆与上下文管理 :agent(title,abstract);分类 cs.LG
专题命中 记忆与上下文管理 :agent(title,abstract);分类 cs.AI
专题命中 记忆与上下文管理 :agent(title,abstract);分类 cs.LG
Comments Published as a workshop paper on NeurIPS 2019 Workshop on Robust AI in Financial Services. 33rd Conference on Neural Information Processing Systems (NeurIPS 2019), Vancouver, Canada
专题命中 记忆与上下文管理 :agent(title,abstract);分类 cs.CL
Comments Under review
专题命中 记忆与上下文管理 :agent(title,abstract);分类 cs.LG
专题命中 记忆与上下文管理 :agent(title,abstract);分类 cs.AI
Comments presented at NATO HFM symposium on Human Autonomy Teaming, Portsmouth, October 2018
专题命中 记忆与上下文管理 :planning(title,abstract);分类 cs.AI
Comments Presented at AAAI 2019
专题命中 记忆与上下文管理 :agent(title,abstract);分类 cs.AI
Comments 6 pages. arXiv admin note: substantial text overlap with arXiv:1802.03858
专题命中 记忆与上下文管理 :agent(title,abstract);分类 cs.LG
专题命中 记忆与上下文管理 :agent(title,abstract);分类 cs.AI
专题命中 记忆与上下文管理 :agent(title,abstract);分类 cs.LG
Comments Part II is available on http://arxiv.org/abs/1704.06025
专题命中 记忆与上下文管理 :agent(title,abstract);分类 cs.AI
Comments Presented at NIPS 2016 Workshop on Interpretable Machine Learning in Complex Systems
专题命中 记忆与上下文管理 :agent(title,abstract);分类 cs.LG
Comments This is the full version of a paper in the ACM Conference on Economics and Computation (ACM-EC), 2014
专题命中 记忆与上下文管理 :agent(title,abstract);分类 cs.AI
Journal ref BMC Bioinformatics 14(Suppl 6), S6, 2013
专题命中 记忆与上下文管理 :agent(title,abstract);分类 cs.AI
Comments 19 Pages; International Journal of Computer Science Issues (IJCSI),Vol 8, Issue 4, July 2011, ISSN(online): 1694-0814
专题命中 记忆与上下文管理 :agent(title,abstract);分类 cs.AI
专题命中 记忆与上下文管理 :agent(title,abstract);分类 cs.AI
Comments 7 pages, 6 figures, Proceedings of the International Conference on Knowledge Engineering and Decision Support, pp. 107-113, ISEP, Porto, Portugal, July 2004
专题命中 记忆与上下文管理 :agent(title,abstract);分类 cs.AI
Comments 22 pages
快速且内存高效的考虑延迟的多模式行程规划
专题命中 记忆与上下文管理 :planning(title,abstract)
AI总结 本文提出一种更高效、快速且准确的多模式行程规划方法,适用于单目标和双目标场景,通过优化算法提升速度和精度。
Comments v4: revised manuscript incorporating reviewer feedback (Related Work restructure, temporal-planning baselines, Bez 2020 thesis acknowledgment, equation relocation); style switched to the AAAI 2026 format
机构 * University of Southampton Malaysia(英国南安普顿大学马来西亚分校) ; Connected Intelligence Research Group(连接智能研究组) ; Sustainable Electronic Technologies(可持续电子技术)
专题命中 记忆与上下文管理 :agent(title,comments);agentic(abstract)
Comments Source code available at: https://github.com/limshoonkit/ros2-agent-ws
专题命中 记忆与上下文管理 :agent(title,abstract)
Comments 17 pages, 6 figures, Gontis V, Kononovicius A (2014) Consentaneous Agent-Based and Stochastic Model of the Financial Markets. PLoS ONE 9(7): e102201. doi: 10.1371/journal.pone.0102201
Journal ref PLoS ONE 9(7), e102201, 2014
DocAtlas:将长文档理解视为可变状态交互
专题命中 记忆与上下文管理 :agent(abstract);tool use(abstract);agentic(abstract);分类 cs.AI、cs.CL
AI总结 本研究提出DocAtlas系统,将长文档理解视为可变状态交互,通过可变文档工具结合自改进检索等技术,在MMLongBench-Doc上用GPT-5.4达71.4%,还可提升紧凑型VLM智能体性能。
迈向超越全秩动作和状态可观测性的POMDP学习
机构 * MIT Computer Science and Artificial Intelligence Lab(麻省理工学院计算机科学与人工智能实验室) ; DEVCOM Army Research Laboratory(陆军研究实验室)
专题命中 记忆与上下文管理 :agent(abstract);autonomous agent(abstract);planning(abstract);分类 cs.AI、cs.LG
AI总结 本文提出了一种基于PSR方法学习POMDP参数的方法,通过张量分解估计相似变换,实现状态划分下的转移和观察模型学习,并展示了其在不同奖励函数下的应用潜力。
Comments WAFR camera-ready
OpsMem:用于故障诊断的具有跨内存共振的双内存推理
机构 * Huawei(华为)
专题命中 记忆与上下文管理 :agent(abstract);agentic(abstract);multi-agent(abstract);分类 cs.AI、cs.SE
AI总结 针对现代软件系统故障诊断中缺乏协调诊断状态与操作经验机制的问题,提出双内存框架OpsMem,通过跨内存共振等进行多智能体诊断,实验表明其在华为微服务故障诊断数据集上优于基线,提升了匹配度和相关性。
Comments 6 pages, 5 figures
用于具有投影视图和经过验证的结构化更新的共享状态大语言模型工作流的PatchOptic
机构 * Weizmann Institute of Science(魏茨曼科学研究所) ; Massachusetts Institute of Technology(麻省理工学院)
专题命中 记忆与上下文管理 :agent(abstract);workflow(abstract);agentic(abstract);分类 cs.AI、cs.LG
AI总结 研究共享状态大语言模型工作流问题,提出受光学启发的PatchOptic接口,通过投影读取和验证结构化补丁实现,经PatchBench评估,该设计能减少泄漏和成本,保持输出质量,阻止违规并拒绝受损补丁。
Comments 24 pages, 13 figures, including appendix
CaveAgent:将LLM转变为具有状态的运行时操作符
机构 * Hong Kong Generative AI Research and Development Center (HKGAI)(香港生成式AI研究与开发中心(HKGAI))
专题命中 记忆与上下文管理 :agent(abstract);tool use(abstract);agentic(abstract);分类 cs.AI、cs.SE
AI总结 CaveAgent通过引入双流架构,将LLM从文本生成器转变为运行时操作符,解决了长周期任务中上下文漂移问题,提升了多轮交互的稳定性和数据处理能力。
Comments ver.2
Mem-$π$: 通过学习何时以及生成什么来实现自适应记忆
机构 * ServiceNow AI Research(ServiceNow AI研究院) ; Mila -- Quebec AI Institute(魁北克AI研究所) ; McGill University(麦吉尔大学) ; CIFAR AI Chair(CIFAR人工智能主席)
专题命中 记忆与上下文管理 :agent(abstract);tool use(abstract);agentic(abstract);分类 cs.AI、cs.CL
AI总结 Mem-$π$ 通过学习在何时以及生成什么来实现自适应记忆,利用专门的语言或视觉-语言模型生成上下文特定的指导,从而在多种代理任务中优于基于检索和先前RL优化的记忆基线。
Comments Work in progress