論文の概要: Delegated Authorization for Agents Constrained to Semantic Task-to-Scope Matching

• arxiv url: http://arxiv.org/abs/2510.26702v1
• Date: Thu, 30 Oct 2025 17:07:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.919639
• Title: Delegated Authorization for Agents Constrained to Semantic Task-to-Scope Matching
• Title（参考訳）: セマンティック・タスク・ツー・スコープマッチングに制約されたエージェントの非正規化
• Abstract要約: ツールを動的に呼び出し、保護されたリソースにアクセスするための大規模言語モデル駆動エージェントの認可は、重大なリスクをもたらす。 我々は,保護されたリソースへのアクセス要求を意味的に検査できる権限付与モデルを導入し,評価する。 本研究は,マルチエージェントおよびツール拡張アプリケーションに対して,意図認識による認証を可能にするセマンティックマッチング技術について,さらなる研究の必要性を強調した。
• 参考スコア（独自算出の注目度）: 4.092829002386613
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Authorizing Large Language Model driven agents to dynamically invoke tools and access protected resources introduces significant risks, since current methods for delegating authorization grant overly broad permissions and give access to tools allowing agents to operate beyond the intended task scope. We introduce and assess a delegated authorization model enabling authorization servers to semantically inspect access requests to protected resources, and issue access tokens constrained to the minimal set of scopes necessary for the agents' assigned tasks. Given the unavailability of datasets centered on delegated authorization flows, particularly including both semantically appropriate and inappropriate scope requests for a given task, we introduce ASTRA, a dataset and data generation pipeline for benchmarking semantic matching between tasks and scopes. Our experiments show both the potential and current limitations of model-based matching, particularly as the number of scopes needed for task completion increases. Our results highlight the need for further research into semantic matching techniques enabling intent-aware authorization for multi-agent and tool-augmented applications, including fine-grained control, such as Task-Based Access Control (TBAC).
• Abstract（参考訳）: 大規模言語モデル駆動エージェントによる動的にツールの呼び出しと保護されたリソースへのアクセスを許可することは、権限付与を委譲する現在のメソッドが広範囲に許可し、エージェントが意図したタスクスコープを超えて操作できるツールへのアクセスを与えるため、大きなリスクをもたらす。 本稿では,保護されたリソースに対するアクセス要求を意味的に検査し,エージェントの割り当てられたタスクに必要な最小限のスコープに制限されたアクセストークンを発行する権限サーバを許可する権限委譲モデルを導入,評価する。 特にタスクのセマンティックな適切なスコープ要求と不適切なスコープ要求の両方を含む、委譲された承認フローを中心としたデータセットの有効性を考えると、タスクとスコープ間のセマンティックマッチングをベンチマークするためのデータセットおよびデータ生成パイプラインであるASTRAを導入する。 実験の結果,特にタスク完了に必要なスコープ数が増加するにつれて,モデルベースマッチングの可能性と現在の限界が示された。 本研究は,タスクベースアクセス制御(TBAC)などの細粒度制御を含む多エージェントおよびツール拡張アプリケーションに対して,意図認識による認証を可能にするセマンティックマッチング技術について,さらなる研究の必要性を強調した。

関連論文リスト

• Authorization Architectures for Tool-Using AI Agents [0.0]
  信頼できる人間-AIシステムは、すべての連続エージェントアクションが人間のプリンシパルにトレース可能であることを要求する。 このレビューでは、人間のユーザ、オペレータ/デプロイ、オーケストレータエージェント、サブエージェント、ツールエンドポイントにまたがる主要な階層について紹介する。 提案する7つの構造的要件は,4層参照アーキテクチャを導出し,その要件を3つのデプロイ可能な参照構成に適用し,実行時強制とアグリゲーション境界を主要な未解決ギャップとして同定する。
  論文  参考訳（メタデータ） (2026-09-14T17:21:22Z)
• "Allow" to Achieve, Over-Privileged Inadvertently: The Unintended Cost of Task-Completion-Driven Pop-up Decisions in Mobile GUI Agents [38.29267974352746]
  タスク関連性とプライバシリスクに基づく4段階のパーミッション・フレームワークを構築した。 我々は、同期アノテーション付きスクリーンショットとUIツリー階層を用いて、4つのフロンティアマルチモーダル大言語モデルを評価する。 要求者のみをカレンダーからPiMusicに変更することで、権限が26/32から0/32に削減され、強いがタスク条件のApp-Trust Biasが明らかになった。
  論文  参考訳（メタデータ） (2026-08-05T12:23:16Z)
• Testing Agentic Workflows with Structural Coverage Criteria [0.21485350418225244]
  マルチエージェントワークフロー仕様に対する構造的テスト手法を提案する。 このアプローチは、それぞれのワークフローを型付きコーディネーショングラフとして表現する。 到達可能なエージェント、ツールエッジ、制限されたツールエッジ、デリゲートエッジに対するカバレッジ義務を導出する。
  論文  参考訳（メタデータ） (2026-05-26T04:07:55Z)
• Hybrid Inspection and Task-Based Access Control in Zero-Trust Agentic AI [4.092829002386613]
  侵入されたまたは悪意のあるエージェントアプリケーションは、ツールコールを改ざんしたり、結果を偽造したり、対象の意図したタスクの範囲を超えて許可を求めることができる。 本稿では,ゼロトラスト・インターセプション・レイヤによって実現される決定論的および意味論的制御を組み合わせた,ハイブリッド・ランタイム実行モデルを提案する。 タスクに関連性のある非関連ツールコールを含むマルチターンインタラクションを備えた対話ツールデータセットを新たに生成する。
  論文  参考訳（メタデータ） (2026-05-04T15:00:37Z)
• AJ-Bench: Benchmarking Agent-as-a-Judge for Environment-Aware Evaluation [71.49152943451328]
  我々は,AJ-Benchベンチマークを導入し,ドメイン検索,データシステム,グラフィカルユーザインタフェースの3つの領域にまたがるエージェント・アズ・ア・Judgeを評価する。 実験ではLLM-as-a-Judgeベースラインよりも一貫したパフォーマンス向上を示し、エージェントベースの検証においてかなりオープンな課題を明らかにした。
  論文  参考訳（メタデータ） (2026-04-20T13:23:38Z)
• RemoteAgent: Bridging Vague Human Intents and Earth Observation with RL-based Agentic MLLMs [55.44696796126619]
  地球観測システムは、曖昧な自然言語を通じて要求を表現するドメインの専門家を支援するように設計されている。 実用的なEOAIシステムは、あいまいな人間のクエリと適切な多粒度視覚分析タスクのギャップを埋めなければならない。 MLLMの能力固有の境界を戦略的に尊重するエージェントフレームワークであるRemoteAgentを提案する。
  論文  参考訳（メタデータ） (2026-04-09T03:40:46Z)
• AgentIF-OneDay: A Task-level Instruction-Following Benchmark for General AI Agents in Daily Scenarios [49.90735676070039]
  持続時間と複雑さが増大するタスクを効果的に処理するAIエージェントの能力は、成長を続けている。 エージェントタスクの多様性に十分対処することなく,タスクの難易度の向上を優先している。 本稿では,自然言語命令とAIエージェントを多種多様な日常タスクに活用できるかどうかを判定するエージェントIF-OneDayを提案する。
  論文  参考訳（メタデータ） (2026-01-28T13:49:18Z)
• Activation-Space Anchored Access Control for Multi-Class Permission Reasoning in Large Language Models [20.49818370567961]
  大規模言語モデル(LLM)は、効率的な知識検索と質問応答のために、知識ベース上にますます展開されている。 LLMはユーザーの許可範囲を超えて不注意に答えることができ、センシティブなコンテンツをリークする。 マルチクラスパーミッション制御のためのトレーニングフリーフレームワークである Activation-space Anchored Access Control (AAAC) を提案する。
  論文  参考訳（メタデータ） (2026-01-20T05:57:44Z)
• Beyond Rule-Based Workflows: An Information-Flow-Orchestrated Multi-Agents Paradigm via Agent-to-Agent Communication from CORAL [0.15199492741752027]
  本稿ではエージェント・ツー・エージェント(A2A)通信を用いた情報フロー型マルチエージェントパラダイムを提案する。 汎用ベンチマークGAIAに対する我々のアプローチを,代表的ワークフローベースMASをベースラインとして評価した。 本手法は63.64%の精度を達成し, OWL の55.15% を8.49 % に上回り, トークン消費に匹敵する性能を示した。
  論文  参考訳（メタデータ） (2026-01-14T21:35:51Z)
• Connecting the Dots: Training-Free Visual Grounding via Agentic Reasoning [63.109585527799005]
  GroundingAgentは、タスク固有の微調整なしで動作するビジュアルグラウンドティングフレームワークである。 広く使用されているベンチマークでは、平均ゼロショットグラウンドの精度は65.1%である。 また、強い解釈可能性を提供し、各推論ステップを透過的に照らす。
  論文  参考訳（メタデータ） (2025-11-24T03:11:08Z)
• Authorization of Knowledge-base Agents in an Intent-based Management Function [0.07646713951724012]
  本稿では,役割と機能的属性をエージェントロールと統合する拡張された認証フレームワークを提案する。 我々のアプローチは、エージェントが知識グラフに対する最小限の特権しか与えられないことを保証する。
  論文  参考訳（メタデータ） (2025-10-22T07:38:01Z)
• Authenticated Delegation and Authorized AI Agents [4.679384754914167]
  我々は、AIエージェントに対する権限の認証、認証、監査可能な委任のための新しい枠組みを導入する。 フレキシブルな自然言語パーミッションを監査可能なアクセス制御構成に変換するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-16T17:11:21Z)
• An Ensemble Scheme for Proactive Dominant Data Migration of Pervasive Tasks at the Edge [5.4327243200369555]
  本稿では,インフラ内の特定の場所に移動すべき適切なデータの識別について,自律エッジノードで実装する手法を提案する。 我々の目標は、オフロードされたデータ駆動タスクに関連するアクセスパターンを理解できるようにノードに装備することである。 これらのタスクは、元のホスティングノードにないデータの処理に依存することは明らかである。 これらのデータ間隔を推定するために,統計的指向モデルと機械学習フレームワークを統合したアンサンブルアプローチを用いる。
  論文  参考訳（メタデータ） (2024-10-12T19:09:16Z)
• RS-Agent: Automating Remote Sensing Tasks through Intelligent Agent [15.836845304125436]
  RS-Agentは、人間のユーザーと対話し、専門的なモデルを自律的に活用するように設計されたAIエージェントである。 RS-Agentは、大きな言語モデルに基づく中央コントローラ、ツール実行のための動的ツールキット、タスク固有のエキスパートガイダンスのためのソリューションスペース、ドメインレベルの推論のための知識スペースの4つの重要なコンポーネントを統合している。 9つのデータセットと18のリモートセンシングタスクにわたる大規模な実験により、RS-Agentは最先端のMLLMよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2024-06-11T09:30:02Z)
• Tell Me More! Towards Implicit User Intention Understanding of Language Model Driven Agents [110.25679611755962]
  現在の言語モデル駆動エージェントは、しばしば効果的なユーザ参加のメカニズムを欠いている。 Intention-in-Interaction (IN3) は明示的なクエリを通してユーザの暗黙の意図を検査するための新しいベンチマークである。 私たちは、タスクの曖昧さを積極的に評価し、ユーザの意図を問う強力なモデルであるMistral-Interactを経験的に訓練し、それらを実行可能な目標へと洗練させます。
  論文  参考訳（メタデータ） (2024-02-14T14:36:30Z)
• Sparsity-Aware Intelligent Massive Random Access Control in Open RAN: A Reinforcement Learning Based Approach [61.74489383629319]
  新たなOpen Radio Access Network(O-RAN)におけるデバイスの大量ランダムアクセスは、アクセス制御と管理に大きな課題をもたらします。 閉ループアクセス制御の強化学習(RL)支援方式を提案する。 深部RL支援SAUDは、連続的かつ高次元の状態と行動空間を持つ複雑な環境を解決するために提案されている。
  論文  参考訳（メタデータ） (2023-03-05T12:25:49Z)
• Multi-agent Deep Covering Skill Discovery [50.812414209206054]
  本稿では,複数エージェントの結合状態空間の予測被覆時間を最小化し,マルチエージェントオプションを構築するマルチエージェントDeep Covering Option Discoveryを提案する。 また、MARLプロセスにマルチエージェントオプションを採用するための新しいフレームワークを提案する。 提案アルゴリズムは,アテンション機構とエージェントの相互作用を効果的に把握し,マルチエージェントオプションの同定に成功した。
  論文  参考訳（メタデータ） (2022-10-07T00:40:59Z)
• Provable Benefits of Representational Transfer in Reinforcement Learning [59.712501044999875]
  本稿では,RLにおける表現伝達の問題について検討し,エージェントがまず複数のソースタスクを事前訓練し,共有表現を発見する。 本稿では,ソースタスクに対する生成的アクセスが与えられた場合,次に続く線形RL手法がほぼ最適ポリシーに迅速に収束する表現を発見できることを示す。
  論文  参考訳（メタデータ） (2022-05-29T04:31:29Z)
• Towards Inheritable Models for Open-Set Domain Adaptation [56.930641754944915]
  本稿では、将来、ソースデータセットが存在しない場合の適応を容易にするために、ソース学習モデルを用いた実用的なドメイン適応パラダイムを提案する。 本稿では,ソースデータがない場合でも,対象領域に対して最適なソースモデルの選択を可能にするために,継承可能性の定量化を目的とする手法を提案する。
  論文  参考訳（メタデータ） (2020-04-09T07:16:30Z)

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。