論文の概要: Behavioral Universe Network (BUN): A Behavioral Information-Based Framework for Complex Systems
- arxiv url: http://arxiv.org/abs/2504.15146v1
- Date: Mon, 21 Apr 2025 14:50:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-29 14:52:30.604354
- Title: Behavioral Universe Network (BUN): A Behavioral Information-Based Framework for Complex Systems
- Title（参考訳）: 行動ユニバースネットワーク(BUN):複雑なシステムのための行動情報に基づくフレームワーク
- Authors: Wei Zhou, Ailiya Borjigin, Cong He,
- Abstract要約: 本稿では,エージェント・インタラクション・ビヘイビア・フォーマリズムに基づく理論的枠組みである行動ユニバースネットワーク(BUN)を紹介する。
BUNは、オブジェクト(アクティブエージェント)、オブジェクト(リソース)、振舞い(操作)を共有行動情報基盤が管理する第一級のエンティティとして扱う。
振る舞い分析の強化、適応性の向上、ドメイン間の相互運用性などです。
- 参考スコア（独自算出の注目度）: 3.0801485631077457
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern digital ecosystems feature complex, dynamic interactions among autonomous entities across diverse domains. Traditional models often separate agents and objects, lacking a unified foundation to capture their interactive behaviors. This paper introduces the Behavioral Universe Network (BUN), a theoretical framework grounded in the Agent-Interaction-Behavior (AIB) formalism. BUN treats subjects (active agents), objects (resources), and behaviors (operations) as first-class entities, all governed by a shared Behavioral Information Base (BIB). We detail the AIB core concepts and demonstrate how BUN leverages information-driven triggers, semantic enrichment, and adaptive rules to coordinate multi-agent systems. We highlight key benefits: enhanced behavior analysis, strong adaptability, and cross-domain interoperability. We conclude by positioning BUN as a promising foundation for next-generation digital governance and intelligent applications.
- Abstract（参考訳）: 現代のデジタルエコシステムは、多様なドメインにわたる自律的なエンティティ間の複雑な動的相互作用を特徴としている。
伝統的なモデルはしばしばエージェントとオブジェクトを分離し、対話的な振る舞いを捉えるための統一された基盤を欠いている。
本稿では,AIB(Agent-Interaction-Behavior)形式に基づく理論的枠組みであるBehavioral Universe Network(BUN)を紹介する。
BUNは、被験者(アクティブエージェント)、オブジェクト(リソース)、行動(操作)を第一級のエンティティとして扱い、全て共有行動情報ベース(BIB)によって管理される。
我々はAIBの中核概念を詳述し、BUNが情報駆動トリガ、セマンティックエンリッチメント、適応ルールをどのように活用してマルチエージェントシステムを調整するかを実証する。
振る舞い分析の強化、適応性の向上、ドメイン間の相互運用性などです。
我々は、BUNを次世代のデジタルガバナンスとインテリジェントなアプリケーションのための有望な基盤として位置づけることで、結論付けます。
関連論文リスト
- Advances and Challenges in Foundation Agents: From Brain-Inspired Intelligence to Evolutionary, Collaborative, and Safe Systems [133.45145180645537]
大規模言語モデル(LLM)の出現は、人工知能の変革的シフトを触媒している。
これらのエージェントがAI研究と実践的応用をますます推進するにつれて、その設計、評価、継続的な改善は複雑で多面的な課題を呈している。
この調査は、モジュール化された脳にインスパイアされたアーキテクチャ内でインテリジェントエージェントをフレーミングする、包括的な概要を提供する。
論文 参考訳（メタデータ） (2025-03-31T18:00:29Z) - Active Inference and Human--Computer Interaction [8.095665792537604]
我々は、Active Inferenceと、それが人間とコンピュータの相互作用ループのモデル化にどのように適用できるかをレビューする。
Active Inferenceは、人間の生成モデルを管理するコヒーレントなフレームワークを提供する。
オフラインデザインを通知し、リアルタイム、オンライン適応をサポートする。
論文 参考訳（メタデータ） (2024-12-19T11:17:31Z) - Factorised Active Inference for Strategic Multi-Agent Interactions [1.9389881806157316]
この目的に2つの補完的アプローチを組み込むことができる。
アクティブ推論フレームワーク(AIF)は、エージェントが環境内の信念や行動に適応するために生成モデルをどのように利用するかを記述する。
ゲーム理論は、潜在的に競合する目的を持つエージェント間の戦略的相互作用を定式化する。
本稿では,各エージェントが他のエージェントの内部状態に対する明示的かつ個別的な信念を維持し,それらを共同で戦略的計画に利用する生成モデルの因子化を提案する。
論文 参考訳（メタデータ） (2024-11-11T21:04:43Z) - Can Agents Spontaneously Form a Society? Introducing a Novel Architecture for Generative Multi-Agents to Elicit Social Emergence [0.11249583407496219]
我々は,ITCMA-Sと呼ばれる生成エージェントアーキテクチャを導入し,個々のエージェントの基本的なフレームワークと,マルチエージェント間のソーシャルインタラクションをサポートするフレームワークを紹介する。
このアーキテクチャは、エージェントが社会的相互作用に有害な行動を識別し、フィルタリングし、より好ましい行動を選択するように誘導することを可能にする。
論文 参考訳（メタデータ） (2024-09-10T13:39:29Z) - Agent AI: Surveying the Horizons of Multimodal Interaction [83.18367129924997]
エージェントAI(Agent AI)とは、視覚刺激や言語入力、その他の環境データを知覚できる対話型システムである。
我々は,バーチャルリアリティやシミュレートされたシーンを容易に作成し,仮想環境内に具体化されたエージェントと対話できる未来を構想する。
論文 参考訳（メタデータ） (2024-01-07T19:11:18Z) - Pangu-Agent: A Fine-Tunable Generalist Agent with Structured Reasoning [50.47568731994238]
人工知能(AI)エージェント作成の鍵となる方法は強化学習(RL)である
本稿では,構造化推論をAIエージェントのポリシーに統合し,学習するための一般的なフレームワークモデルを提案する。
論文 参考訳（メタデータ） (2023-12-22T17:57:57Z) - Interactive Autonomous Navigation with Internal State Inference and
Interactivity Estimation [58.21683603243387]
本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。
これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。
提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-11-27T18:57:42Z) - Multi-Agent Imitation Learning with Copulas [102.27052968901894]
マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。
本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。
提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
論文 参考訳（メタデータ） (2021-07-10T03:49:41Z) - An active inference model of collective intelligence [0.0]
本稿では,局所的な個人レベルの相互作用と集団的知性の関係をシミュレートする最小エージェントモデルを提案する。
その結果, エージェントの局所的最適とグローバル的最適の整合性の相補的なメカニズムを提供することにより, 段階的認知遷移がシステム性能を向上させることが示された。
論文 参考訳（メタデータ） (2021-04-02T14:32:01Z) - Behavior Priors for Efficient Reinforcement Learning [97.81587970962232]
本稿では,情報とアーキテクチャの制約を,確率論的モデリング文献のアイデアと組み合わせて行動の事前学習を行う方法について考察する。
このような潜伏変数の定式化が階層的強化学習(HRL)と相互情報と好奇心に基づく目的との関係について論じる。
シミュレーションされた連続制御領域に適用することで,フレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2020-10-27T13:17:18Z)
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。