論文の概要: Multi-Agent Debate: A Unified Agentic Framework for Tabular Anomaly Detection

• arxiv url: http://arxiv.org/abs/2602.14251v1
• Date: Sun, 15 Feb 2026 17:44:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 16:22:49.843922
• Title: Multi-Agent Debate: A Unified Agentic Framework for Tabular Anomaly Detection
• Title（参考訳）: Multi-Agent Debate: Tabular Anomaly Detectionのための統一エージェントフレームワーク
• Authors: Pinqiao Wang, Sheng Li,
• Abstract要約: マルチエージェント議論フレームワーク(MAD)は、不一致を第一級信号として扱う。 MADは、大言語モデル(LLM)ベースの批評家によって強化された正規化された異常スコア、信頼性、構造化された証拠を生成する。 コンフォメーションキャリブレーションが議論されたスコアをラップして、交換可能性の下で偽陽性を制御する方法を示す。
• 参考スコア（独自算出の注目度）: 7.807411603618987
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tabular anomaly detection is often handled by single detectors or static ensembles, even though strong performance on tabular data typically comes from heterogeneous model families (e.g., tree ensembles, deep tabular networks, and tabular foundation models) that frequently disagree under distribution shift, missingness, and rare-anomaly regimes. We propose MAD, a Multi-Agent Debating framework that treats this disagreement as a first-class signal and resolves it through a mathematically grounded coordination layer. Each agent is a machine learning (ML)-based detector that produces a normalized anomaly score, confidence, and structured evidence, augmented by a large language model (LLM)-based critic. A coordinator converts these messages into bounded per-agent losses and updates agent influence via an exponentiated-gradient rule, yielding both a final debated anomaly score and an auditable debate trace. MAD is a unified agentic framework that can recover existing approaches, such as mixture-of-experts gating and learning-with-expert-advice aggregation, by restricting the message space and synthesis operator. We establish regret guarantees for the synthesized losses and show how conformal calibration can wrap the debated score to control false positives under exchangeability. Experiments on diverse tabular anomaly benchmarks show improved robustness over baselines and clearer traces of model disagreement
• Abstract（参考訳）: タブラル異常検出は単一の検出器や静的アンサンブルによって処理されることが多いが、表層データに対する強いパフォーマンスは、分布シフト、欠落、希少な異常状態の下で頻繁に矛盾する異種モデルファミリー(木のアンサンブル、深い表層ネットワーク、および表層基盤モデル)から得られる。 我々は、この不一致を第一級信号として扱い、数学的に基底付けられた協調層を通して解決するマルチエージェント議論フレームワークMADを提案する。 各エージェントは機械学習(ML)ベースの検出器であり、正規化された異常スコア、信頼性、構造化された証拠を生成し、大きな言語モデル(LLM)ベースの批評家によって強化される。 コーディネータは、これらのメッセージを有界なアジェント毎の損失に変換し、指数化段階ルールを介してエージェントの影響を更新し、最終的な議論された異常スコアと監査可能な議論トレースの両方を得る。 MADは、メッセージ空間と合成演算子を制限することにより、エキスパートの混合ゲーティングやエキスパートの学習集約といった既存のアプローチを回復できる統一されたエージェントフレームワークである。 我々は、合成された損失に対する後悔の保証を確立し、コンフォメーションキャリブレーションが議論されたスコアをラップして、交換可能性の下で偽陽性を制御する方法を示す。 多様な表状異常ベンチマークの実験は、ベースラインよりも頑健さを向上し、モデル不一致のより明確な痕跡を示す

関連論文リスト

• Information Fidelity in Tool-Using LLM Agents: A Martingale Analysis of the Model Context Protocol [69.11739400975445]
  モデルコンテキストプロトコル(MCP)エージェントにおけるエラー蓄積を解析するための最初の理論的枠組みを紹介する。 累積歪みが線形成長と高確率偏差を$O(sqrtT)$で表すことを示す。 主な発見は、意味重み付けは歪みを80%減らし、周期的再接地は、エラー制御の約9ステップごとに十分である。
  論文  参考訳（メタデータ） (2026-02-10T21:08:53Z)
• Unsupervised Anomaly Detection in Multi-Agent Trajectory Prediction via Transformer-Based Models [45.08545174556591]
  マルチエージェントトランスを用いた教師なし異常検出フレームワークを提案する。 検出安定性と物理的アライメントの両方を評価するための二重評価手法が提案されている。 本フレームワークでは,時間対衝突および統計ベースラインに欠落した388個の特異な異常を同定する。
  論文  参考訳（メタデータ） (2026-01-28T08:33:10Z)
• Cascading multi-agent anomaly detection in surveillance systems via vision-language models and embedding-based classification [0.0]
  この研究は、補完パラダイムをコヒーレントで解釈可能なアーキテクチャに統一するカスケーディングマルチエージェントフレームワークを導入している。 初期モジュールは再構成ゲートフィルタリングとオブジェクトレベルの評価を行い、高レベルの推論エージェントは、意味的に曖昧な事象を解釈するために選択的に呼び出される。 このフレームワークは、早期出力効率、適応型マルチエージェント推論、説明可能な異常属性を組み合わせることで、従来の検出パイプラインを超えて進歩し、スケーラブルなインテリジェントなビジュアル監視のための再現可能でエネルギー効率の良い基盤を確立する。
  論文  参考訳（メタデータ） (2026-01-08T11:31:47Z)
• Explainable and Fine-Grained Safeguarding of LLM Multi-Agent Systems via Bi-Level Graph Anomaly Detection [76.91230292971115]
  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) は複雑なタスクを解く上で強力な能力を示している。 XG-Guardは、MAS内の悪意のあるエージェントを検出するための、説明可能な、きめ細かい保護フレームワークである。
  論文  参考訳（メタデータ） (2025-12-21T13:46:36Z)
• AgentIAD: Tool-Augmented Single-Agent for Industrial Anomaly Detection [9.208080780536504]
  AgentIADは、多段階の視覚検査を可能にするツール駆動のフレームワークである。 AgentIADは、MMADの新しい最先端の97.62%の分類精度を達成する。
  論文  参考訳（メタデータ） (2025-12-15T18:57:04Z)
• SetAD: Semi-Supervised Anomaly Learning in Contextual Sets [25.628827917857603]
  半教師付き異常検出は、限られたラベル付きデータを効果的に活用することで大きな可能性を秘めている。 本研究では,半教師付きADをSet-level Anomaly Detectionタスクとして再編成する新しいフレームワークであるSetADを提案する。 頑健性とスコアの校正性を高めるため,文脈校正型異常スコアリング機構を提案する。
  論文  参考訳（メタデータ） (2025-11-26T13:27:59Z)
• Metacognitive Self-Correction for Multi-Agent System via Prototype-Guided Next-Execution Reconstruction [58.51530390018909]
  大規模言語モデルに基づくマルチエージェントシステムは、協調的な問題解決において優れているが、エラーのカスケードには脆弱である。 我々は,MASにリアルタイム,教師なし,ステップレベルの誤り検出と自己補正を付与するメタ認知フレームワークMASCを提案する。
  論文  参考訳（メタデータ） (2025-10-16T05:35:37Z)
• Detecting Multilevel Manipulation from Limit Order Book via Cascaded Contrastive Representation Learning [4.11124360246468]
  スポフィングは最も隠蔽的で詐欺的なTBM戦略の1つである。 これらのパターンは通常、リミット・オーダー・ブックの豊かで階層的な情報の中に隠されている。 ケースケード型LOB表現アーキテクチャと教師付きコントラスト学習を組み合わせた表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-23T16:57:32Z)
• Hard-normal Example-aware Template Mutual Matching for Industrial Anomaly Detection [78.734927709231]
  異常検出器は、クエリー画像の未知の欠陥を検出し、ローカライズするために工業製造で広く使われている。 これらの検出器は異常のないサンプルで訓練され、ほとんどの通常のサンプルと区別された異常を成功させた。 しかし、ハードノーマルな例は、ほとんどの通常のサンプルから遠く離れており、しばしば既存の方法によって異常と誤認される。
  論文  参考訳（メタデータ） (2023-03-28T17:54:56Z)

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。