論文の概要: SPEAR: An Engineering Case Study of Multi-Agent Coordination for Smart Contract Auditing
- arxiv url: http://arxiv.org/abs/2602.04418v1
- Date: Wed, 04 Feb 2026 10:51:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-05 19:45:11.490163
- Title: SPEAR: An Engineering Case Study of Multi-Agent Coordination for Smart Contract Auditing
- Title（参考訳）: SPEAR:スマートコントラクト監査のためのマルチエージェントコーディネーションの工学的ケーススタディ
- Authors: Arnab Mallick, Indraveni Chebolu, Harmesh Rana,
- Abstract要約: スマートコントラクト監査のための多エージェント協調フレームワークSPEARを提案する。
エージェントは、AGMに準拠したリビジョンによって更新された地域信条を維持し、交渉およびオークションプロトコルを介して調整し、新しい情報が利用可能になるにつれて計画を改訂する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present SPEAR, a multi-agent coordination framework for smart contract auditing that applies established MAS patterns in a realistic security analysis workflow. SPEAR models auditing as a coordinated mission carried out by specialized agents: a Planning Agent prioritizes contracts using risk-aware heuristics, an Execution Agent allocates tasks via the Contract Net protocol, and a Repair Agent autonomously recovers from brittle generated artifacts using a programmatic-first repair policy. Agents maintain local beliefs updated through AGM-compliant revision, coordinate via negotiation and auction protocols, and revise plans as new information becomes available. An empirical study compares the multi-agent design with centralized and pipeline-based alternatives under controlled failure scenarios, focusing on coordination, recovery behavior, and resource use.
- Abstract（参考訳）: スマートコントラクト監査のためのマルチエージェント協調フレームワークであるSPEARを,現実的なセキュリティ分析ワークフローに確立されたMASパターンを適用した。
計画エージェントは、リスク対応のヒューリスティックを使用して契約を優先順位付けし、実行エージェントは、契約ネットプロトコルを介してタスクを割り当て、修復エージェントは、プログラム第一の修復ポリシーを用いて、脆弱な生成したアーティファクトから自律的に回復する。
エージェントは、AGMに準拠したリビジョンによって更新された地域信条を維持し、交渉およびオークションプロトコルを介して調整し、新しい情報が利用可能になるにつれて計画を改訂する。
実証的研究では、マルチエージェント設計と、制御された障害シナリオ下での集中型およびパイプラインベースの代替品を比較し、調整、リカバリ行動、リソース使用に重点を置いている。
関連論文リスト
- Uma Prova de Conceito para a Verificação Formal de Contratos Inteligentes [0.0]
本稿では、Relativized Contract Language(RCL)とRECALLツールを使って概念実証を行う。
この研究は、モデリングフェーズ中に規範的競合を検出するツールの能力を実証している。
論文 参考訳（メタデータ） (2026-01-20T19:38:17Z) - Beyond Monolithic Architectures: A Multi-Agent Search and Knowledge Optimization Framework for Agentic Search [56.78490647843876]
エージェント検索は、大規模言語モデル(LLM)が推論とツールの使用をインターリーブできるようにすることによって、複雑な情報を探すための有望なパラダイムとして登場した。
本稿では,bfM-ASKを提案する。bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK。
論文 参考訳（メタデータ） (2026-01-08T08:13:27Z) - Alita-G: Self-Evolving Generative Agent for Agent Generation [54.49365835457433]
汎用エージェントをドメインエキスパートに変換するフレームワークであるALITA-Gを提案する。
このフレームワークでは、ジェネラリストエージェントが対象ドメインタスクのキュレートされたスイートを実行する。
計算コストを削減しながら、大きな利益を得ることができます。
論文 参考訳（メタデータ） (2025-10-27T17:59:14Z) - Agent Capability Negotiation and Binding Protocol (ACNBP) [0.0]
本稿ではACNBP(Agen Capability Negotiation and Binding Protocol)を提案する。
ACNBPは、異種マルチエージェントシステムにおけるエージェント間のセキュアで効率的な、検証可能な相互作用を促進するために設計されたフレームワークである。
我々は,MAESTRO脅威モデリングフレームワークを用いた包括的セキュリティ解析によりACNBPの有効性を示す。
論文 参考訳（メタデータ） (2025-06-16T15:18:24Z) - Get Experience from Practice: LLM Agents with Record & Replay [16.179801770737892]
本稿では,AIエージェントフレームワークに古典的なレコード再生機構を導入する,Agent Record & Replay(Agent Record & Replay)と呼ばれる新しいパラダイムを提案する。
本稿では,AgentRRにおけるマルチレベル体験抽象化手法とチェック関数機構について述べる。
さらに,AgentRRの複数のアプリケーションモードについて検討し,ユーザ記録タスクのデモ,大規模モデルコラボレーション,プライバシ対応エージェントの実行などを検討した。
論文 参考訳（メタデータ） (2025-05-23T10:33:14Z) - A Survey of AI Agent Protocols [35.431057321412354]
大きな言語モデル(LLM)エージェントが外部ツールやデータソースと通信する標準的な方法はありません。
この標準化されたプロトコルの欠如は、エージェントが協力したり、効果的にスケールするのを難しくする。
LLMエージェントの統一通信プロトコルは、これを変更できる。
論文 参考訳（メタデータ） (2025-04-23T14:07:26Z) - Learning to Use Tools via Cooperative and Interactive Agents [58.77710337157665]
ツール学習は、外部ツールを使用してユーティリティを拡張するエージェントとして、大きな言語モデル(LLM)を促進する。
ツール選択,ツール実行,アクションキャリブレーションの3つの特別なエージェントを個別にコーディネートする,協調型対話型エージェントフレームワークであるConAgentsを提案する。
3つのデータセットに対する実験により、LLMは、ConAgentsを装備した場合、大幅に改善されたベースラインよりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-03-05T15:08:16Z) - A Dynamic LLM-Powered Agent Network for Task-Oriented Agent Collaboration [55.35849138235116]
本稿では,様々なタスクやドメインに対する動的コミュニケーション構造において,候補からエージェントのチームを自動的に選択する手法を提案する。
具体的には, LLMを利用したエージェント協調のための動的LLMパワーエージェントネットワーク(textDyLAN$)というフレームワークを構築した。
我々は、コード生成、意思決定、一般的な推論、算術的推論タスクにおいて、適度な計算コストで、DyLANが強力なベースラインを上回ることを実証する。
論文 参考訳（メタデータ） (2023-10-03T16:05:48Z) - ProAgent: Building Proactive Cooperative Agents with Large Language
Models [89.53040828210945]
ProAgentは、大規模な言語モデルを利用してプロアクティブエージェントを生成する新しいフレームワークである。
ProAgentは現状を分析し、チームメイトの意図を観察から推測することができる。
ProAgentは高度なモジュール化と解釈可能性を示し、様々な調整シナリオに容易に統合できる。
論文 参考訳（メタデータ） (2023-08-22T10:36:56Z) - RACA: Relation-Aware Credit Assignment for Ad-Hoc Cooperation in
Multi-Agent Deep Reinforcement Learning [55.55009081609396]
本稿では、アドホックな協調シナリオにおいてゼロショットの一般化を実現するRACA(Relation-Aware Credit Assignment)と呼ばれる新しい手法を提案する。
RACAは、エージェント間のトポロジ構造を符号化するために、グラフベースのエンコーダ関係を利用する。
提案手法は,StarCraftIIマイクロマネジメントベンチマークとアドホック協調シナリオのベースライン手法よりも優れている。
論文 参考訳（メタデータ） (2022-06-02T03:39:27Z)
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。