Imparare ad Assegnare Compiti di Previsione ad Agenti con Vincoli di Capacità
Un nuovo articolo su arXiv affronta il problema di assegnare compiti di previsione ad agenti umani o IA con vincoli di capacità. Gli autori sviluppano algoritmi sequenziali di esplorazione-sfruttamento che apprendono l'esperienza degli agenti e ottimizzano le politiche di assegnazione. Esperimenti su compiti tabulari, di immagini e di testo mostrano guadagni sistematici rispetto ai basamenti non contestuali per LLM e umani.
Fatti principali
- L'articolo è intitolato 'Imparare ad Assegnare Compiti di Previsione ad Agenti con Vincoli di Capacità'.
- È classificato sotto Computer Science > Human-Computer Interaction.
- Il problema si concentra sull'apprendimento sequenziale dell'esperienza degli agenti e delle politiche di assegnazione.
- Ogni agente è vincolato a gestire una frazione dei compiti.
- Viene fornita una caratterizzazione teorica generale in termini di capacità degli agenti, differenze di esperienza e contesto del compito.
- Il framework utilizza algoritmi sequenziali di apprendimento delle politiche di esplorazione-sfruttamento.
- I risultati sperimentali coprono compiti di previsione tabulari, di immagini e di testo.
- I guadagni sono dimostrati rispetto ai basamenti non contestuali per LLM e umani.
Entità
Istituzioni
- arXiv