![](\"https:\/\/oaidalleapiprodscus.blob.core.windows.net\/private\/org-PXteLUy4B6mslwRon6h7ri9z\/user-0jfma6aPNvZyLXZUbw4CmvZG\/img-ecHCjRMFW8N6Upcv8mf22RM3.png?st=2024-08-28T10%3A10%3A40Z&se=2024-08-28T12%3A10%3A40Z&sp=r&sv=2024-08-04&sr=b&rscd=inline&rsct=image\/png&skoid=d505667d-d6c1-4a0a-bac7-5c84a87759f8&sktid=a48cca56-e6da-484e-a814-9c849652bcb3&skt=2024-08-27T23%3A25%3A44Z&ske=2024-08-28T23%3A25%3A44Z&sks=b&skv=2024-08-04&sig=2\/derPn%2BK9%2BKxs3FaIesQvb0o0k%2BHbKj36eUsEzNp48%3D\")
<\/p>\n<\/p>\n
Le raisonnement sur la fiabilit\u00e9 dans les jeux multijoueurs avec des informations incompl\u00e8tes pr\u00e9sente des d\u00e9fis significatifs. Les joueurs doivent \u00e9valuer la fiabilit\u00e9 des autres sur la base d’informations partielles et souvent trompeuses tout en prenant des d\u00e9cisions en temps r\u00e9el. Les approches traditionnelles, d\u00e9pendant fortement de mod\u00e8les pr\u00e9-entra\u00een\u00e9s, ont du mal \u00e0 s’adapter aux environnements dynamiques \u00e0 cause de leur d\u00e9pendance aux donn\u00e9es sp\u00e9cifiques au domaine et aux r\u00e9compenses de r\u00e9troaction. Ces limitations entra\u00eenent un manque d’adaptabilit\u00e9 en temps r\u00e9el, crucial pour une prise de d\u00e9cision efficace dans des sc\u00e9narios qui \u00e9voluent rapidement. Aborder ces d\u00e9fis est essentiel pour l’avancement de l’application de l’IA dans des environnements complexes, notamment l\u00e0 o\u00f9 l’\u00e9valuation de la fiabilit\u00e9 en temps r\u00e9el est cruciale, comme dans les syst\u00e8mes autonomes et les jeux strat\u00e9giques.<\/p>\n
Actuellement, les m\u00e9thodes de raisonnement sur la fiabilit\u00e9 dans de tels environnements incluent le raisonnement symbolique, le raisonnement bay\u00e9sien et l\u2019apprentissage par renforcement (RL). Le raisonnement symbolique se concentre sur la coh\u00e9rence des mod\u00e8les mais manque de flexibilit\u00e9 dans les contextes dynamiques. Le raisonnement bay\u00e9sien, bien qu’efficace pour la mise \u00e0 jour des croyances en fonction des preuves, exige des ressources computationnelles importantes et est sujet \u00e0 des inexactitudes lorsqu’il s’agit de donn\u00e9es limit\u00e9es ou bruit\u00e9es. Bien que puissant pour la prise de d\u00e9cision, RL n\u00e9cessite de vastes quantit\u00e9s de donn\u00e9es de formation sp\u00e9cifiques au domaine, ce qui le rend inappropri\u00e9 pour les applications en temps r\u00e9el. Ces m\u00e9thodes sont g\u00e9n\u00e9ralement confront\u00e9es \u00e0 des probl\u00e8mes de complexit\u00e9 computationnelle, d’efficacit\u00e9 des donn\u00e9es limit\u00e9e et d\u2019incapacit\u00e9 \u00e0 g\u00e9rer efficacement les environnements dynamiques en temps r\u00e9el.<\/p>\n
Les chercheurs de l’Universit\u00e9 des Sciences et Technologies de l’Information de Nanjing et de l’Universit\u00e9 Dianzi de Hangzhou ont introduit le cadre Graph Retrieval Augmented Trustworthiness Reasoning (GRATR), une approche novatrice utilisant la g\u00e9n\u00e9ration augment\u00e9e par r\u00e9cup\u00e9ration (RAG) pour am\u00e9liorer le raisonnement sur la fiabilit\u00e9. GRATR construit un graphique de fiabilit\u00e9 dynamique qui se met \u00e0 jour en temps r\u00e9el, int\u00e9grant des informations probantes au fur et \u00e0 mesure qu’elles deviennent disponibles. Cette m\u00e9thode adoss\u00e9e \u00e0 un graphique aborde les limites du traitement des donn\u00e9es statiques par les mod\u00e8les RAG existants, permettant au syst\u00e8me de s’adapter \u00e0 la nature \u00e9volutive des interactions et des relations de confiance en temps r\u00e9el. GRATR am\u00e9liore le raisonnement en r\u00e9cup\u00e9rant et int\u00e9grant les donn\u00e9es de confiance les plus pertinentes \u00e0 partir du graphique, am\u00e9liorant la prise de d\u00e9cision et r\u00e9duisant les hallucinations dans les grands mod\u00e8les de langage (LLM). Cette approche repr\u00e9sente une avanc\u00e9e significative en fournissant une solution plus pr\u00e9cise et efficace pour le raisonnement en temps r\u00e9el sur la fiabilit\u00e9.<\/p>\n
Le cadre GRATR commence par un graphe de preuves dynamique, o\u00f9 les n\u0153uds repr\u00e9sentent les joueurs et les ar\u00eates repr\u00e9sentent les relations de confiance. Le graphe est continuellement mis \u00e0 jour \u00e0 mesure que de nouvelles observations sont faites, avec des listes de preuves attach\u00e9es aux ar\u00eates et des valeurs de fiabilit\u00e9 attach\u00e9es aux n\u0153uds. Les composants cl\u00e9s incluent la phase de fusion des preuves, o\u00f9 les preuves sont agr\u00e9g\u00e9es et \u00e9valu\u00e9es, et la phase de r\u00e9cup\u00e9ration vers l’avant, o\u00f9 les valeurs de fiabilit\u00e9 sont mises \u00e0 jour en fonction des cha\u00eenes de preuves r\u00e9cup\u00e9r\u00e9es. GRATR a \u00e9t\u00e9 valid\u00e9 \u00e0 l’aide du jeu multijoueur \u00ab\u00a0Werewolf\u00a0\u00bb, avec des exp\u00e9riences comparant ses performances \u00e0 celles des LLM de base et des LLM augment\u00e9s avec Native RAG et Rerank RAG. Le jeu test consistait en 50 it\u00e9rations avec huit joueurs, comprenant divers r\u00f4les tels que loup-garou, villageois et leaders (sorci\u00e8re, garde et voyant).<\/p>\n
GRATR surpasse significativement les m\u00e9thodes de base en termes de taux de victoire et de pr\u00e9cision du raisonnement. Par exemple, GRATR a atteint un taux de victoire total de 76,0 % dans un groupe exp\u00e9rimental, contre 24,0 % pour le LLM de base. De m\u00eame, le taux de victoire pour le r\u00f4le de loup-garou \u00e9tait de 72,4 % avec GRATR, contre 27,6 % pour le LLM de base. GRATR a syst\u00e9matiquement surpass\u00e9 \u00e0 la fois Native RAG et Rerank RAG sur divers indicateurs, y compris le taux de victoire total, le taux de victoire des loups-garous et le taux de victoire des leaders. Par exemple, dans une comparaison, GRATR a atteint un taux de victoire total de 83,7 %, et le taux de victoire pour le r\u00f4le de loup-garou \u00e9tait de 83,5 %, ce qui est nettement sup\u00e9rieur aux performances des LLM augment\u00e9s avec Rerank RAG.<\/p>\n
GRATR repr\u00e9sente une avanc\u00e9e significative dans le raisonnement sur la fiabilit\u00e9 pour les jeux multijoueurs avec des informations incompl\u00e8tes. En exploitant une structure de graphe dynamique qui se met \u00e0 jour en temps r\u00e9el, GRATR aborde les limites des m\u00e9thodes existantes, offrant une solution plus pr\u00e9cise et efficace pour la prise de d\u00e9cision en temps r\u00e9el. Les r\u00e9sultats exp\u00e9rimentaux mettent en \u00e9vidence les performances sup\u00e9rieures de GRATR, en particulier dans l’am\u00e9lioration des capacit\u00e9s de raisonnement des LLM tout en att\u00e9nuant des probl\u00e8mes tels que les hallucinations. Cette contribution est appel\u00e9e \u00e0 avoir un impact substantiel sur la recherche en IA, notamment dans les domaines n\u00e9cessitant une \u00e9valuation robuste de la fiabilit\u00e9 en temps r\u00e9el, tels que les syst\u00e8mes autonomes et les environnements de jeux strat\u00e9giques.<\/p>\n","protected":false},"excerpt":{"rendered":"
Le raisonnement sur la fiabilit\u00e9 dans les jeux multijoueurs avec des informations incompl\u00e8tes pr\u00e9sente des d\u00e9fis significatifs. Les joueurs doivent \u00e9valuer la fiabilit\u00e9 des autres sur la base d’informations partielles et souvent trompeuses tout en prenant des d\u00e9cisions en temps r\u00e9el. Les approches traditionnelles, d\u00e9pendant fortement de mod\u00e8les pr\u00e9-entra\u00een\u00e9s, ont du mal \u00e0 s’adapter aux […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-234","post","type-post","status-publish","format-standard","hentry","category-uncategorized"],"yoast_head":"\n