論文の概要: LumiMAS: A Comprehensive Framework for Real-Time Monitoring and Enhanced Observability in Multi-Agent Systems

• arxiv url: http://arxiv.org/abs/2508.12412v1
• Date: Sun, 17 Aug 2025 15:55:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.754473
• Title: LumiMAS: A Comprehensive Framework for Real-Time Monitoring and Enhanced Observability in Multi-Agent Systems
• Title（参考訳）: LumiMAS:マルチエージェントシステムにおけるリアルタイムモニタリングと可観測性向上のための総合的なフレームワーク
• Authors: Ron Solomon, Yarin Yerushalmi Levi, Lior Vaknin, Eran Aizikovich, Amit Baras, Etai Ohana, Amit Giloni, Shamik Bose, Chiara Picardi, Yuval Elovici, Asaf Shabtai,
• Abstract要約: 提案するフレームワークは,監視層とロギング層,異常検出層,異常説明層という3つの重要なコンポーネントで構成されている。 LumiMASは7種類のMASアプリケーションで評価され、2つの人気のあるMASプラットフォームを使って実装された。
• 参考スコア（独自算出の注目度）: 20.35152929165441
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The incorporation of large language models in multi-agent systems (MASs) has the potential to significantly improve our ability to autonomously solve complex problems. However, such systems introduce unique challenges in monitoring, interpreting, and detecting system failures. Most existing MAS observability frameworks focus on analyzing each individual agent separately, overlooking failures associated with the entire MAS. To bridge this gap, we propose LumiMAS, a novel MAS observability framework that incorporates advanced analytics and monitoring techniques. The proposed framework consists of three key components: a monitoring and logging layer, anomaly detection layer, and anomaly explanation layer. LumiMAS's first layer monitors MAS executions, creating detailed logs of the agents' activity. These logs serve as input to the anomaly detection layer, which detects anomalies across the MAS workflow in real time. Then, the anomaly explanation layer performs classification and root cause analysis (RCA) of the detected anomalies. LumiMAS was evaluated on seven different MAS applications, implemented using two popular MAS platforms, and a diverse set of possible failures. The applications include two novel failure-tailored applications that illustrate the effects of a hallucination or bias on the MAS. The evaluation results demonstrate LumiMAS's effectiveness in failure detection, classification, and RCA.
• Abstract（参考訳）: マルチエージェントシステム(MAS)における大規模言語モデルの導入は、複雑な問題を自律的に解決する能力を大幅に改善する可能性がある。 しかし,このようなシステムには,システム障害の監視,解釈,検出に特有の課題が伴う。 既存のMASオブザーバビリティフレームワークの多くは、個々のエージェントを個別に分析することに重点を置いており、MAS全体に関連する障害を見下ろしている。 このギャップを埋めるため,先進的な分析とモニタリング技術を備えた新しいMAS観測フレームワークであるLumiMASを提案する。 提案するフレームワークは,監視層とロギング層,異常検出層,異常説明層という3つの重要なコンポーネントで構成されている。 LumiMASの最初のレイヤはMASの実行を監視し、エージェントの活動の詳細なログを生成する。 これらのログは異常検出層への入力として機能し、MASワークフロー全体の異常をリアルタイムで検出する。 そして、異常説明層は、検出された異常の分類及び根本原因分析(RCA)を行う。 LumiMASは7種類のMASアプリケーションで評価され、2つの人気のあるMASプラットフォームを使って実装された。 この応用には、幻覚や偏見がMASに与える影響を示す2つの新しい障害調整アプリケーションが含まれる。 その結果, 故障検出, 分類, RCAにおけるLumiMASの有効性が示された。

関連論文リスト

• BenchReAD: A systematic benchmark for retinal anomaly detection [23.15668882564837]
  データとアルゴリズムの観点から総合的かつ体系的な網膜異常検出のためのベンチマークを導入する。 異常の非交叉表現(DRA)を利用した完全教師付きアプローチは、最高の性能を達成できるが、ある異常な異常に遭遇した場合、性能が著しく低下する。 本研究では,一級教師あり学習におけるメモリバンク機構に着想を得て,DRAと通常の特徴記憶を統合して性能劣化を緩和するNFM-DRAを提案する。
  論文  参考訳（メタデータ） (2025-07-14T17:13:08Z)
• SentinelAgent: Graph-based Anomaly Detection in Multi-Agent Systems [11.497269773189254]
  大規模言語モデル(LLM)に基づくマルチエージェントシステム(MAS)に適したシステムレベルの異常検出フレームワークを提案する。 本稿では,エージェント間相互作用を動的実行グラフとしてモデル化し,ノード,エッジ,パスレベルでの意味的異常検出を可能にするグラフベースのフレームワークを提案する。 第2に,セキュリティポリシとコンテキスト推論に基づくMAS実行の監視,解析,介入を行うLLMによる監視エージェントである,プラグイン可能なSentinelAgentを導入する。
  論文  参考訳（メタデータ） (2025-05-30T04:25:19Z)
• OmniAD: Detect and Understand Industrial Anomaly via Multimodal Reasoning [76.90511414963265]
  我々は,微粒化解析のための異常検出と理解を統一するフレームワークであるOmniADを紹介した。 ビジュアル推論は、Text-as-Maskを活用することで詳細なインスペクションを提供する。 Visual Guided Textual Reasoningは、視覚知覚を統合することで包括的な分析を行う。
  論文  参考訳（メタデータ） (2025-05-28T07:02:15Z)
• Why Do Multi-Agent LLM Systems Fail? [91.39266556855513]
  MAST(Multi-Agent System Failure taxonomy, MAST)は,MASの故障を理解するために考案された分類法である。 我々は、200以上のタスクにまたがる7つの人気のあるMASフレームワークを分析し、6つの専門家のアノテータを含む。 14のユニークな障害モードを特定し、(i)仕様問題、(ii)エージェント間ミスアライメント、(iii)タスク検証の3つに分類した。
  論文  参考訳（メタデータ） (2025-03-17T19:04:38Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
  本稿では,新しい手法のモジュラーフレームワークであるADerの総合的な視覚異常検出ベンチマークを提案する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• MLAD: A Unified Model for Multi-system Log Anomaly Detection [35.68387377240593]
  複数のシステムにまたがる意味的関係推論を組み込んだ新しい異常検出モデルMLADを提案する。 具体的には、Sentence-bertを用いてログシーケンス間の類似性を捉え、それらを高次元の学習可能な意味ベクトルに変換する。 我々は,各キーワードのシーケンスにおける意義を識別し,マルチシステムデータセットの全体分布をモデル化するために,アテンション層の公式を改訂する。
  論文  参考訳（メタデータ） (2024-01-15T12:51:13Z)
• Heterogeneous Anomaly Detection for Software Systems via Semi-supervised Cross-modal Attention [29.654681594903114]
  ヘテロジニアスデータに基づいてシステム異常を識別する,最初のエンドツーエンドの半教師付きアプローチであるHadesを提案する。 当社のアプローチでは,ログセマンティクスとメトリックパターンを融合させることで,システムステータスのグローバルな表現を学ぶために階層的アーキテクチャを採用している。 我々はHuawei Cloudの大規模シミュレーションデータとデータセットに基づいてHadesを広範囲に評価する。
  論文  参考訳（メタデータ） (2023-02-14T09:02:11Z)

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。