論文の概要: AI Agent for Education: von Neumann Multi-Agent System Framework

• arxiv url: http://arxiv.org/abs/2501.00083v1
• Date: Mon, 30 Dec 2024 16:58:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 17:17:07.886788
• Title: AI Agent for Education: von Neumann Multi-Agent System Framework
• Title（参考訳）: AI Agent for Education: von Neumann Multi-Agent System Framework
• Authors: Yuan-Hao Jiang, Ruijia Li, Yizhou Zhou, Changyong Qi, Hanglei Hu, Yuang Wei, Bo Jiang, Yonghe Wu,
• Abstract要約: 本稿では,教育におけるマルチエージェントシステムを中心に,フォン・ノイマンのマルチエージェントシステムフレームワークを提案する。 各AIエージェントを、コントロールユニット、ロジックユニット、ストレージユニット、入出力デバイスという4つのモジュールに分割する。 タスクのデコンストラクション、自己リフレクション、メモリ処理、ツール呼び出しの4つのタイプを定義している。
• 参考スコア（独自算出の注目度）: 5.454637151538793
• License:
• Abstract: The development of large language models has ushered in new paradigms for education. This paper centers on the multi-Agent system in education and proposes the von Neumann multi-Agent system framework. It breaks down each AI Agent into four modules: control unit, logic unit, storage unit, and input-output devices, defining four types of operations: task deconstruction, self-reflection, memory processing, and tool invocation. Furthermore, it introduces related technologies such as Chain-of-Thought, Reson+Act, and Multi-Agent Debate associated with these four types of operations. The paper also discusses the ability enhancement cycle of a multi-Agent system for education, including the outer circulation for human learners to promote knowledge construction and the inner circulation for LLM-based-Agents to enhance swarm intelligence. Through collaboration and reflection, the multi-Agent system can better facilitate human learners' learning and enhance their teaching abilities in this process.
• Abstract（参考訳）: 大規模言語モデルの開発は、教育の新しいパラダイムに根ざしている。 本稿では,教育におけるマルチエージェントシステムを中心に,フォン・ノイマンのマルチエージェントシステムフレームワークを提案する。 各AIエージェントは、コントロールユニット、ロジックユニット、ストレージユニット、入力出力デバイスという4つのモジュールに分割され、タスクのデコンストラクション、セルフリフレクション、メモリ処理、ツールの実行という4つのタイプの操作を定義する。 さらに、これら4種類のオペレーションに関連するChain-of-Thought、Reson+Act、Multi-Agent Debateといった関連技術を導入している。 また、人間学習者が知識構築を促進するための外循環や、Swarm知能を高めるためのLLMベースの内循環など、教育用マルチエージェントシステムの能力向上サイクルについても論じる。 コラボレーションとリフレクションを通じて、マルチエージェントシステムは、学習者の学習をより促進し、このプロセスにおける教育能力を高めることができる。

関連論文リスト

• LLM-Agent-UMF: LLM-based Agent Unified Modeling Framework for Seamless Integration of Multi Active/Passive Core-Agents [0.0]
  LLM-Agent-UMF(LLM-Agent-UMF)に基づく新しいエージェント統一モデリングフレームワークを提案する。 我々のフレームワークはLLMエージェントの異なるコンポーネントを区別し、LLMとツールを新しい要素であるコアエージェントから分離する。 我々は,13の最先端エージェントに適用し,それらの機能との整合性を実証することによって,我々の枠組みを評価する。
  論文  参考訳（メタデータ） (2024-09-17T17:54:17Z)
• EvoAgent: Towards Automatic Multi-Agent Generation via Evolutionary Algorithms [55.77492625524141]
  EvoAgentは進化的アルゴリズムによって専門家エージェントをマルチエージェントシステムに自動的に拡張する汎用的な手法である。 EvoAgentは複数の専門家エージェントを自動生成し,LLMエージェントのタスク解決能力を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2024-06-20T11:49:23Z)
• Verco: Learning Coordinated Verbal Communication for Multi-agent Reinforcement Learning [42.27106057372819]
  本稿では,大規模言語モデルをエージェントに組み込むマルチエージェント強化学習アルゴリズムを提案する。 フレームワークにはメッセージモジュールとアクションモジュールがある。 オーバークッキングゲームで行った実験は,既存の手法の学習効率と性能を大幅に向上させることを示した。
  論文  参考訳（メタデータ） (2024-04-27T05:10:33Z)
• An Interactive Agent Foundation Model [49.77861810045509]
  本稿では,AIエージェントを訓練するための新しいマルチタスクエージェントトレーニングパラダイムを用いた対話型エージェント基礎モデルを提案する。 トレーニングパラダイムは、視覚マスク付きオートエンコーダ、言語モデリング、次世代の予測など、多様な事前学習戦略を統一する。 私たちは、ロボティクス、ゲームAI、ヘルスケアという3つの異なる領域でフレームワークのパフォーマンスを実演します。
  論文  参考訳（メタデータ） (2024-02-08T18:58:02Z)
• SpeechAgents: Human-Communication Simulation with Multi-Modal Multi-Agent Systems [53.94772445896213]
  大規模言語モデル(LLM)に基づくマルチエージェントシステムは,人間の社会をシミュレートする上で有望な性能を示した。 本研究では,マルチモーダルLLMに基づくマルチエージェントシステムであるSpeechAgentsを提案する。
  論文  参考訳（メタデータ） (2024-01-08T15:01:08Z)
• KwaiAgents: Generalized Information-seeking Agent System with Large Language Models [33.59597020276034]
  人間は批判的思考、計画、リフレクション、世界と対話し解釈するための利用可能なツールの活用に優れています。 大規模言語モデル(LLM)の最近の進歩は、マシンが前述の人間のような能力を持っていることも示唆している。 LLMに基づく汎用情報検索システムであるKwaiAgentsを紹介する。
  論文  参考訳（メタデータ） (2023-12-08T08:11:11Z)
• RoboGen: Towards Unleashing Infinite Data for Automated Robot Learning via Generative Simulation [68.70755196744533]
  RoboGenはジェネレーティブなロボットエージェントで、ジェネレーティブなシミュレーションを通じて、さまざまなロボットのスキルを自動的に学習する。 我々の研究は、大規模モデルに埋め込まれた広範囲で多目的な知識を抽出し、それらをロボット工学の分野に移す試みである。
  論文  参考訳（メタデータ） (2023-11-02T17:59:21Z)
• Mastering Robot Manipulation with Multimodal Prompts through Pretraining and Multi-task Fine-tuning [49.92517970237088]
  我々はマルチモーダルなプロンプトを理解するためにロボットを訓練する問題に取り組む。 このようなタスクは、視覚と言語信号の相互接続と相補性を理解するロボットの能力にとって大きな課題となる。 マルチモーダルプロンプトを用いてロボット操作を行うためのポリシーを学習する効果的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-14T22:24:58Z)
• Empowering Private Tutoring by Chaining Large Language Models [87.76985829144834]
  本研究は,最先端の大規模言語モデル(LLM)を活用した,本格的な知的チューリングシステムの開発を探求する。 このシステムは、相互に接続された3つのコアプロセス(相互作用、反射、反応)に分けられる。 各プロセスは LLM ベースのツールと動的に更新されたメモリモジュールによって実装される。
  論文  参考訳（メタデータ） (2023-09-15T02:42:03Z)
• Deep Reinforcement Learning for Multi-Agent Interaction [14.532965827043254]
  自律エージェント研究グループは、自律システム制御のための新しい機械学習アルゴリズムを開発した。 本稿では,現在進行中の研究ポートフォリオの概要を概説するとともに,今後の課題について論じる。
  論文  参考訳（メタデータ） (2022-08-02T21:55:56Z)

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。