MétaCan
Menu
Retour à la cohorte
Enregistrement W2080298850 · doi:10.1016/j.procs.2013.09.023

A Negotiation Protocol for Meeting Scheduling Agent

2013· article· en· W2080298850 sur OpenAlexaff
Salman Hossain, Elhadi Shakshuki

Notice bibliographique

RevueProcedia Computer Science · 2013
Typearticle
Langueen
DomaineComputer Science
ThématiqueMulti-Agent Systems and Negotiation
Établissements canadiensAcadia University
Organismes subventionnairesnon disponible
Mots-clésComputer scienceNegotiationScheduling (production processes)Protocol (science)Distributed computingComputer networkMathematical optimization

Résumé

récupéré en direct d'OpenAlex

Abstract Negotiation is a general mechanism for reaching an agreement that involves multiple individuals. In multi-agent sys- tems, automatic negotiation is one of the main ongoing research issues. Over the last two decades, many attempts have been made to handle naturally distributed agreement problems via automatic negotiation. These naturally distributed problems are easy to understand for their simplicity, but are hard to handle automatically. In order to reach an agreement using automatic negotiation, there is a need for a structured negotiation protocol. In this paper, we propose an agent negotiation protocol for meeting scheduling, one of the prominent naturally distributed problem. This paper assumes that there is a scheduling agent and it has the knowledge about user preferences, meeting participants’profile, holds a reasoning mechanism to evaluate a meeting invitation, and capable of selecting negotiation strategies automatically. The proposed negotiation protocol assists the meeting scheduling agent to handle bilateral and multilateral negotia- tion scenarios. We demonstrate a number of meeting scheduling scenarios to show how the protocol assists automatic negotiation process and its effectiveness during the scheduling activities.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,025

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,009
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,001
Communication savante0,0020,003
Science ouverte0,0020,002
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0070,002

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,037
Tête enseignante GPT0,300
Écart entre enseignants0,263 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProcedia Computer ScienceMême sujetMulti-Agent Systems and NegotiationTravaux en français237 207