Fugu-MT 論文翻訳(概要): MTTR-A: Measuring Cognitive Recovery Latency in Multi-Agent Systems

論文の概要: MTTR-A: Measuring Cognitive Recovery Latency in Multi-Agent Systems

arxiv url: http://arxiv.org/abs/2511.20663v2
Date: Fri, 28 Nov 2025 15:40:30 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-07 19:06:32.314802
Title: MTTR-A: Measuring Cognitive Recovery Latency in Multi-Agent Systems
Title（参考訳）: MTTR-A:マルチエージェントシステムにおける認知的回復遅延の測定
Authors: Barak Or,
Abstract要約: 我々は、信頼性指標平均時間-回復(MTTR)、平均時間-失敗(MTBF)、および認知領域に関連する比率を適応する。この研究はエージェント認知における実行可能性の基礎を確立し、認知的回復をアドホックなプロセスから標準化された解釈可能なパフォーマンスに変換する。
参考スコア（独自算出の注目度）: 1.9544213396776273
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Ensuring cognitive stability in autonomous multi-agent systems (MAS) is a central challenge for large-scale, distributed AI. While existing observability tools monitor system outputs, they cannot quantify how rapidly agentic workflows recover once reasoning coherence has been lost. We adapt classical reliability metrics-Mean Time-to-Recovery (MTTR), Mean Time Between Failures (MTBF), and related ratios-into the cognitive domain, defining MTTR-A (Mean Time-to-Recovery for Agentic Systems) as a runtime measure of cognitive recovery latency. MTTR-A quantifies the time required for a MAS to detect reasoning drift and restore consistent operation, capturing the recovery of reasoning coherence rather than infrastructural repair. A benchmark simulation using the AG~News corpus and the LangGraph orchestration framework was conducted, modeling recovery latencies across multiple reflex modes. Automated reflexes restored stability within approximately 6s on average, while human-approval interventions required about 12s. Across 200 runs, the median simulated MTTR-A was 6.21+-2.14s, MTBF=6.7+-2.14s, and NRR=0.08, demonstrating measurable runtime resilience across reflex strategies. By formalizing recovery latency as a quantifiable property of distributed reasoning-and deriving reliability bounds linking recovery time and cognitive uptime-this work establishes a foundation for runtime dependability in agentic cognition, transforming cognitive recovery from an ad-hoc process into a standardized, interpretable performance
Abstract（参考訳）: 自律型マルチエージェントシステム(MAS)における認知的安定性の確保は、大規模な分散AIにおいて重要な課題である。既存のオブザーバビリティツールはシステムの出力を監視するが、一貫性が失われるとエージェントワークフローが回復する速度を定量化することはできない。我々は、認知回復遅延のランタイム尺度としてMTTR-A(Mean Time-to-Recovery for Agentic Systems)を定義し、従来の信頼性指標であるMTTR(Mean Time-to-Recovery)、MTBF(Mean Time between Failures)、および関連する比率を認知領域に適用する。 MTTR-Aは、MASが推論ドリフトを検出し、一貫した操作を復元するのに要する時間を定量化し、構造的修復よりも推論コヒーレンスを回収する。 AG〜NewsコーパスとLangGraphオーケストレーションフレームワークを用いたベンチマークシミュレーションを行い、複数の反射モード間のリカバリレイテンシをモデル化した。自動反射は平均すると6秒以内の安定性を回復するが、人間と承認の介入は12秒程度必要である。 200回の走行中、MTTR-Aの中央値は6.21+-2.14s、MTBF=6.7+-2.14s、NRR=0.08であり、反射戦略全体にわたって測定可能なランタイムレジリエンスを示した。回復遅延を分散推論の定量的性質として定式化し、回復時間と認知的アップタイムをリンクする信頼性境界を導出することにより、エージェント認知における実行可能性の基礎を確立し、認知的リカバリをアドホックプロセスから標準化された解釈可能なパフォーマンスに変換する。

関連論文リスト

Alignment Tipping Process: How Self-Evolution Pushes LLM Agents Off the Rails [103.05296856071931]
本稿では,自己進化型大規模言語モデル(LLM)エージェントに特有の,アライメント・ティッピング・プロセス(ATP)を同定する。 ATPは、連続的な相互作用によってエージェントが訓練中に確立されたアライメント制約を放棄し、強化された自己関心の戦略を支持するときに生じる。実験の結果、アライメントの利点は自己進化の下で急速に低下し、最初は整合性のない状態に収束したモデルであることが判明した。
論文参考訳（メタデータ） (2025-10-06T14:48:39Z)
STARec: An Efficient Agent Framework for Recommender Systems via Autonomous Deliberate Reasoning [54.28691219536054]
我々は、自律的な熟考的推論機能を備えたレコメンデータシステムを支援する、ゆっくり考えられた拡張エージェントフレームワークSTARecを紹介する。我々は,先進的推論モデルと嗜好整合型報酬形成から構造化知識の蒸留を組み合わせた2段階のパラダイムであるアンカー強化訓練を開発する。 MovieLens 1MとAmazon CDsベンチマークの実験では、STARecは最先端のベースラインと比較して、大幅なパフォーマンス向上を実現している。
論文参考訳（メタデータ） (2025-08-26T08:47:58Z)
Enhancing AI System Resiliency: Formulation and Guarantee for LSTM Resilience Based on Control Theory [0.18749305679160366]
我々は,LSTMが異常入力後に正常状態に戻るために必要な時間を定量化するために,新たな回復時間(recovery time)をレジリエンスの指標として導入する。簡易モデルを用いた実験により, レジリエンス推定と制御手法の有効性が示された。
論文参考訳（メタデータ） (2025-05-23T10:05:26Z)
Uncertainty-Aware Deep Attention Recurrent Neural Network for Heterogeneous Time Series Imputation [0.25112747242081457]
欠落は多変量時系列においてユビキタスであり、信頼できる下流分析の障害となる。本稿では、欠落した値とその関連不確かさを共同で推定するDeep Attention Recurrent Imputation (Imputation)を提案する。実験の結果,実世界のデータセットを用いた多様な計算タスクにおいて,SOTAを上回っていることがわかった。
論文参考訳（メタデータ） (2024-01-04T13:21:11Z)
Faster Video Moment Retrieval with Point-Level Supervision [70.51822333023145]
Video Moment Retrieval (VMR)は、自然言語クエリでトリミングされていないビデオから最も関連性の高いイベントを取得することを目的としている。既存のVMRメソッドには2つの欠陥がある。 CFMR(Cheaper and Faster Moment Retrieval)と呼ばれる新しい手法を提案する。
論文参考訳（メタデータ） (2023-05-23T12:53:50Z)
Probabilistic Traffic Forecasting with Dynamic Regression [15.31488551912888]
本稿では,交通予測における誤り過程の学習を取り入れた動的回帰(DR)フレームワークを提案する。このフレームワークは、行列構造自己回帰(AR)モデルを用いてベースモデルのエラー系列をモデル化することにより、時間独立の仮定を緩和する。新たに設計された損失関数は、非等方的誤差項の確率に基づいており、モデルがベースモデルの元の出力を保持しながら確率的予測を生成することができる。
論文参考訳（メタデータ） (2023-01-17T01:12:44Z)
Gated Recurrent Neural Networks with Weighted Time-Delay Feedback [55.596897987498174]
本稿では,重み付き時間遅延フィードバック機構を備えたゲートリカレントユニット(GRU)を導入し,時系列データの長期依存性をモデル化する手法を提案する。提案したモデルである $tau$-GRU は、繰り返し単位の連続時間定式化の離散版であり、力学は遅延微分方程式(DDE)によって制御される。
論文参考訳（メタデータ） (2022-12-01T02:26:34Z)
Towards performant and reliable undersampled MR reconstruction via diffusion model sampling [67.73698021297022]
DiffuseReconは拡散モデルに基づく新しいMR再構成法である。観測された信号に基づいて生成過程を導出する。特定の加速因子に関する追加の訓練は必要としない。
論文参考訳（メタデータ） (2022-03-08T02:25:38Z)

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。