KI News: Kurz und klar.

In verteilten Lernsystemen für Multi‑Agenten ist die Balance zwischen der Menge und der Qualität der Modelle entscheidend. Ein neues Verfahren, das auf arXiv veröffentlicht wurde, zeigt, dass die bloße Einbeziehung aller Modelle zu suboptimalen Vorhersagen führt. Stattdessen wird die Qualität der Modelle priorisiert, um die Zusammenarbeit zu optimieren.

Die neueste Veröffentlichung von Forschern auf arXiv präsentiert PRAXIS – einen schlanken, nachtrainierten Lernmechanismus, der KI‑Agenten in Echtzeit ermöglicht, aus ihren eigenen Erfahrungen zu lernen. Durch das Speichern der Konsequenzen von Aktionen und das Abgleichen von Umwelt‑ und internen Zuständen aus vergangenen Episoden kann PRAXIS sofort passende Beispiele abrufen und so die Entscheidungsfindung des Agenten verfeinern.

Das Erkennen von Governing‑Equations aus Messdaten ist ein zentrales Ziel in Physik, Biologie und Ingenieurwissenschaften. Der bereits etablierte Sindy‑Algorithmus nutzt die Sparsity‑Eigenschaft, um kompakte Modelle nichtlinearer Dynamik zu extrahieren. In der vorliegenden Arbeit wird dieses Konzept auf Echtzeit‑Lernen ausgeweitet, indem ein klassisches Verfahren der Regelungstechnik – der Kalman‑Filter – integriert wird.