論文の概要: GPT-in-the-Loop: Adaptive Decision-Making for Multiagent Systems

• arxiv url: http://arxiv.org/abs/2308.10435v1
• Date: Mon, 21 Aug 2023 03:08:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-22 15:16:38.049707
• Title: GPT-in-the-Loop: Adaptive Decision-Making for Multiagent Systems
• Title（参考訳）: GPT-in-the-Loop:マルチエージェントシステムのための適応的意思決定
• Authors: Nathalia Nascimento and Paulo Alencar and Donald Cowan
• Abstract要約: GPT-in-the-loop"アプローチは,大規模言語モデルの高度な推論機能とマルチエージェントシステムを組み合わせた手法である。 本フレームワークでは,GPT-4を用いて問題解決と説明能力を向上させる。 GPT-4を統合することで、広範囲な訓練を必要とせず、優れた意思決定と適応性を実現することができる。
• 参考スコア（独自算出の注目度）: 0.8594140167290099
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces the "GPT-in-the-loop" approach, a novel method combining the advanced reasoning capabilities of Large Language Models (LLMs) like Generative Pre-trained Transformers (GPT) with multiagent (MAS) systems. Venturing beyond traditional adaptive approaches that generally require long training processes, our framework employs GPT-4 for enhanced problem-solving and explanation skills. Our experimental backdrop is the smart streetlight Internet of Things (IoT) application. Here, agents use sensors, actuators, and neural networks to create an energy-efficient lighting system. By integrating GPT-4, these agents achieve superior decision-making and adaptability without the need for extensive training. We compare this approach with both traditional neuroevolutionary methods and solutions provided by software engineers, underlining the potential of GPT-driven multiagent systems in IoT. Structurally, the paper outlines the incorporation of GPT into the agent-driven Framework for the Internet of Things (FIoT), introduces our proposed GPT-in-the-loop approach, presents comparative results in the IoT context, and concludes with insights and future directions.
• Abstract（参考訳）: 本稿では,GPT(Generative Pre-trained Transformer)のような大規模言語モデル(LLM)の高度な推論機能とマルチエージェント(MAS)システムを組み合わせた,GPT-in-the-loopアプローチを提案する。 我々のフレームワークは、通常、長いトレーニングプロセスを必要とする従来の適応的アプローチを超えて、問題解決と説明能力の向上にGPT-4を使用している。 実験的な背景は、スマートな街灯IoT(Internet of Things)アプリケーションです。 ここでは、センサー、アクチュエータ、ニューラルネットワークを使ってエネルギー効率の良い照明システムを作る。 GPT-4を統合することで、広範囲な訓練を必要とせず、優れた意思決定と適応性が得られる。 このアプローチを従来の神経進化的手法とソフトウェアエンジニアが提供するソリューションの両方と比較し、iotにおけるgpt駆動マルチエージェントシステムの可能性を概説する。 構造的には、エージェント駆動型モノのインターネットフレームワーク(FIoT)へのGPTの組み入れについて概説し、提案したGPT-in-the-loopアプローチを導入し、IoTコンテキストで比較結果を提示し、洞察と今後の方向性で結論付ける。

関連論文リスト

• Enhancing Spectrum Efficiency in 6G Satellite Networks: A GAIL-Powered Policy Learning via Asynchronous Federated Inverse Reinforcement Learning [67.95280175998792]
  ビームフォーミング,スペクトルアロケーション,リモートユーザ機器(RUE)アソシエイトを最適化するために,GAILを利用した新しいポリシー学習手法を提案する。 手動チューニングなしで報酬関数を自動的に学習するために、逆RL(IRL)を用いる。 提案手法は従来のRL手法よりも優れており,コンバージェンスと報酬値の14.6%の改善が達成されている。
  論文  参考訳（メタデータ） (2024-09-27T13:05:02Z)
• LLM Agents as 6G Orchestrator: A Paradigm for Task-Oriented Physical-Layer Automation [1.128193862264227]
  本稿では,タスク指向型6G LLMエージェント構築のための包括的アプローチを提案する。 まず,フィールド基本モデルを構築するための2段階の事前学習と微調整方式を提案する。 物理層分解などの模範課題の実験結果から,提案手法の有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-09-21T05:08:29Z)
• Benchmarking GPT-4 on Algorithmic Problems: A Systematic Evaluation of Prompting Strategies [47.129504708849446]
  大規模言語モデル(LLM)は自然言語処理の分野に革命をもたらした。 LLMは体系的な一般化を欠き、学習された統計正則をトレーニング分布の外へ外挿することができる。 本稿では,最も先進的なLCMの1つであるGPT-4の系統的なベンチマークを行う。
  論文  参考訳（メタデータ） (2024-02-27T10:44:52Z)
• Investigate-Consolidate-Exploit: A General Strategy for Inter-Task Agent Self-Evolution [92.84441068115517]
  Investigate-Consolidate-Exploit(ICE)は、AIエージェントの適応性と柔軟性を高めるための新しい戦略である。 ICEは、真の自己進化のためのタスク間の知識の伝達を促進する。 XAgentフレームワークに関する我々の実験は、ICEの有効性を示し、API呼び出しを最大80%削減する。
  論文  参考訳（メタデータ） (2024-01-25T07:47:49Z)
• The Dawn of LMMs: Preliminary Explorations with GPT-4V(ision) [121.42924593374127]
  我々は,最新のモデルであるGPT-4Vを分析し,LMMの理解を深める。 GPT-4Vは、任意にインターリーブされたマルチモーダル入力を処理するという前例のない能力により、強力なマルチモーダルジェネラリストシステムとなっている。 GPT-4Vの、入力画像に描かれた視覚マーカーを理解するユニークな能力は、新しい人間とコンピュータの相互作用方法をもたらす。
  論文  参考訳（メタデータ） (2023-09-29T17:34:51Z)
• Auto-GPT for Online Decision Making: Benchmarks and Additional Opinions [3.63900449369255]
  Auto-GPTは、意思決定タスクに大規模言語モデルを適用する自律エージェントである。 本稿では,実世界のシナリオをシミュレートする意思決定タスクにおけるAuto-GPTスタイルエージェントのベンチマーク研究を行う。 本稿では,教師付き/アニメーションベースの学習者をAuto-GPTスキームに組み込む,簡単かつ効果的な手法であるAdvanced Opinionsアルゴリズムを紹介する。
  論文  参考訳（メタデータ） (2023-06-04T01:07:20Z)
• GPT4MIA: Utilizing Generative Pre-trained Transformer (GPT-3) as A Plug-and-Play Transductive Model for Medical Image Analysis [38.55585456438135]
  医用画像解析のためのプラグアンドプレイトランスダクティブ推論ツールとして,GPT(Generative Pre-trained Transformer)を提案する。 GPT-3のような大規模事前学習言語モデルがMIAのプラグ・アンド・プレイ・トランスダクティブ推論モデルとして利用できる理由を理論的に分析する。
  論文  参考訳（メタデータ） (2023-02-17T06:33:06Z)
• Reinforcement Learning-Empowered Mobile Edge Computing for 6G Edge Intelligence [76.96698721128406]
  モバイルエッジコンピューティング(MEC)は、第5世代(5G)ネットワークなどにおける計算と遅延に敏感なタスクのための新しいパラダイムであると考えた。 本稿では、フリー対応RLに関する総合的な研究レビューと、開発のための洞察を提供する。
  論文  参考訳（メタデータ） (2022-01-27T10:02:54Z)
• Model-based Reinforcement Learning for Decentralized Multiagent Rendezvous [66.6895109554163]
  目標を他のエージェントと整合させる人間の能力の下にあるのは、他人の意図を予測し、自分たちの計画を積極的に更新する能力である。 分散型マルチエージェントレンデブーのためのモデルに基づく強化学習手法である階層型予測計画(HPP)を提案する。
  論文  参考訳（メタデータ） (2020-03-15T19:49:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。