論文の概要: LDP: An Identity-Aware Protocol for Multi-Agent LLM Systems

• arxiv url: http://arxiv.org/abs/2603.08852v1
• Date: Mon, 09 Mar 2026 19:13:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:23.789975
• Title: LDP: An Identity-Aware Protocol for Multi-Agent LLM Systems
• Title（参考訳）: LDP:マルチエージェントLLMシステムのためのID対応プロトコル
• Authors: Sunil Prakash,
• Abstract要約: 現在のプロトコルでは、モデルレベルのプロパティを第一級プリミティブとして公開していない。 5つのメカニズムを導入したAIネイティブ通信プロトコルであるLDM Delegate Protocol(LDP)を提案する。 アイデンティティを意識したルーティングは、デリゲートの特殊化によって、簡単なタスクの12倍のレイテンシを実現するが、小さなデリゲートプールの集約品質は向上しない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As multi-agent AI systems grow in complexity, the protocols connecting them constrain their capabilities. Current protocols such as A2A and MCP do not expose model-level properties as first-class primitives, ignoring properties fundamental to effective delegation: model identity, reasoning profile, quality calibration, and cost characteristics. We present the LLM Delegate Protocol (LDP), an AI-native communication protocol introducing five mechanisms: (1) rich delegate identity cards with quality hints and reasoning profiles; (2) progressive payload modes with negotiation and fallback; (3) governed sessions with persistent context; (4) structured provenance tracking confidence and verification status; (5) trust domains enforcing security boundaries at the protocol level. We implement LDP as a plugin for the JamJet agent runtime and evaluate against A2A and random baselines using local Ollama models and LLM-as-judge evaluation. Identity-aware routing achieves ~12x lower latency on easy tasks through delegate specialization, though it does not improve aggregate quality in our small delegate pool; semantic frame payloads reduce token count by 37% (p=0.031) with no observed quality loss; governed sessions eliminate 39% token overhead at 10 rounds; and noisy provenance degrades synthesis quality below the no-provenance baseline, arguing that confidence metadata is harmful without verification. Simulated analyses show architectural advantages in attack detection (96% vs. 6%) and failure recovery (100% vs. 35% completion). This paper contributes a protocol design, reference implementation, and initial evidence that AI-native protocol primitives enable more efficient and governable delegation.
• Abstract（参考訳）: マルチエージェントAIシステムは複雑さが増すにつれて、接続するプロトコルは機能を制限する。 A2A や MCP のような現在のプロトコルは、モデルレベルのプロパティを第一級プリミティブとして公開していない。 本稿では,(1)高品質なヒントと推論プロファイルを持つリッチデリゲートIDカード,(2)交渉とフォールバックを伴うプログレッシブペイロードモード,(3)永続的なコンテキストを持つ制御されたセッション,(4)信頼度追跡と検証状況,(5)プロトコルレベルでのセキュリティ境界を強制する信頼領域の5つのメカニズムを紹介する。 我々は,JamJet エージェントランタイムのプラグインとして LDP を実装し,ローカル Ollama モデルと LLM-as-judge 評価を用いて,A2A およびランダムベースラインに対して評価を行う。 セマンティックフレームペイロードは、観察された品質損失なしにトークン数を37%削減する(p=0.031)。 シミュレーション分析は、攻撃検出(96%対6%)と障害回復(100%対35%完遂)におけるアーキテクチャ上の利点を示している。 本稿では、AIネイティブプロトコルプリミティブがより効率的で統制可能なデリゲートを実現するためのプロトコル設計、参照実装、および初期証拠を提供する。

関連論文リスト

• Breaking the Protocol: Security Analysis of the Model Context Protocol Specification and Prompt Injection Vulnerabilities in Tool-Integrated LLM Agents [0.0]
  Model Context Protocol(MCP)は、大規模言語モデルと外部ツールを統合するデファクトスタンダードとして登場した。 MCPのアーキテクチャ設計において,3つの基本的なプロトコルレベルの脆弱性を特定し,厳密なセキュリティ分析を行った。 この結果から,MPPのセキュリティの弱点は実装固有のものではなくアーキテクチャであり,プロトコルレベルの修復が必要であることが判明した。
  論文  参考訳（メタデータ） (2026-01-24T18:40:17Z)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)
• Making LLMs Reliable When It Matters Most: A Five-Layer Architecture for High-Stakes Decisions [51.56484100374058]
  現在の大規模言語モデル(LLM)は、実行前にアウトプットをチェックできるが、不確実な結果を伴う高い戦略決定には信頼性が低い検証可能な領域で優れている。 このギャップは、人間と人工知能(AI)システムの相互認知バイアスによって引き起こされ、そのセクターにおける評価と投資の持続可能性の保証を脅かす。 本報告では、7つのフロンティアグレードLDMと3つの市場向けベンチャーヴィグネットの時間的圧力下での系統的質的評価から生まれた枠組みについて述べる。
  論文  参考訳（メタデータ） (2025-11-10T22:24:21Z)
• The Aegis Protocol: A Foundational Security Framework for Autonomous AI Agents [0.0]
  自律型AIエージェントの普及は、複雑で創発的なマルチエージェントシステムへのパラダイムシフトを表している。 本稿では,オープンエージェントエコシステムに強力なセキュリティ保証を提供するために設計された階層型セキュリティフレームワークであるAegis Protocolを紹介する。
  論文  参考訳（メタデータ） (2025-08-22T06:18:57Z)
• Robust and Verifiable MPC with Applications to Linear Machine Learning Inference [1.3612043566819643]
  本稿では,参加者の不正な多数を占める設定において,強力なセキュリティ保証を提供する,効率的なマルチパーティ計算プロトコルを提案する。 完全な正当性によって、誠実な当事者は、悪意のある当事者の同一性を検出し、全会一致で合意することができる。 我々は、クライアントが所望の計算をサーバにオフロードし、計算結果を検証するML-as-a-serviceシナリオで、我々のプロトコルをベンチマークする。
  論文  参考訳（メタデータ） (2025-05-31T11:26:57Z)
• AegisLLM: Scaling Agentic Systems for Self-Reflective Defense in LLM Security [74.22452069013289]
  AegisLLMは、敵の攻撃や情報漏洩に対する協調的なマルチエージェント防御である。 テスト時のエージェント推論システムのスケーリングは,モデルの有用性を損なうことなく,ロバスト性を大幅に向上させることを示す。 アンラーニングやジェイルブレイクを含む主要な脅威シナリオに対する総合的な評価は、AegisLLMの有効性を示している。
  論文  参考訳（メタデータ） (2025-04-29T17:36:05Z)
• Proof of Quality: A Costless Paradigm for Trustless Generative AI Model Inference on Blockchains [24.934767209724335]
  生成AIモデルは、自然言語や画像タスクにおいて強力で破壊的な能力を示している。 これらのモデルを分散環境で展開することは 依然として困難です ブロックチェーンアーキテクチャ上に任意の大規模な生成モデルをデプロイ可能にするために,Emphproof of Quality(PoQ)と呼ばれる新たな推論パラダイムを提案する。
  論文  参考訳（メタデータ） (2024-05-28T08:00:54Z)
• Delving into Probabilistic Uncertainty for Unsupervised Domain Adaptive Person Re-Identification [54.174146346387204]
  ドメイン適応型人物再識別のための確率的不確実性誘導プログレッシブラベル精錬(P$2$LR)という手法を提案する。 擬似ラベルの不確実性を測定し、ネットワークトレーニングを容易にする定量的基準を確立する。 本手法はDuke2Marketタスクではベースラインが6.5%,Market2MSMTタスクでは2.5%,最先端手法では2.5%を上回った。
  論文  参考訳（メタデータ） (2021-12-28T07:40:12Z)

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。