論文の概要: Collaborative AI Agents and Critics for Fault Detection and Cause Analysis in Network Telemetry
- arxiv url: http://arxiv.org/abs/2604.00319v1
- Date: Tue, 31 Mar 2026 23:33:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-02 16:44:31.766096
- Title: Collaborative AI Agents and Critics for Fault Detection and Cause Analysis in Network Telemetry
- Title（参考訳）: ネットワークテレメトリにおける協調型AIエージェントと故障検出・原因分析批判
- Authors: Syed Eqbal Alam, Zhan Shu,
- Abstract要約: 我々は,マルチアクタ・マルチクリティカルシステムにおいて,AIエージェントと批評家の協調制御のためのアルゴリズムを開発する。
各AIエージェントと批評家は、古典的な機械学習または生成AIファンデーションモデルにアクセスすることができる。
AIエージェントはタスクを完了し、評価のためにAI批評家に送信する。批判者はエージェントにフィードバックを送り、反応を改善する。
- 参考スコア（独自算出の注目度）: 3.578743201329052
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We develop algorithms for collaborative control of AI agents and critics in a multi-actor, multi-critic federated multi-agent system. Each AI agent and critic has access to classical machine learning or generative AI foundation models. The AI agents and critics collaborate with a central server to complete multimodal tasks such as fault detection, severity, and cause analysis in a network telemetry system, text-to-image generation, video generation, healthcare diagnostics from medical images and patient records, etcetera. The AI agents complete their tasks and send them to AI critics for evaluation. The critics then send feedback to agents to improve their responses. Collaboratively, they minimize the overall cost to the system with no inter-agent or inter-critic communication. AI agents and critics keep their cost functions or derivatives of cost functions private. Using multi-time scale stochastic approximation techniques, we provide convergence guarantees on the time-average active states of AI agents and critics. The communication overhead is a little on the system, of the order of $\mathcal{O}(m)$, for $m$ modalities and is independent of the number of AI agents and critics. Finally, we present an example of fault detection, severity, and cause analysis in network telemetry and thorough evaluation to check the algorithm's efficacy.
- Abstract（参考訳）: 我々は,マルチアクタ・マルチクリティック・フェデレート・マルチエージェントシステムにおいて,AIエージェントと批評家の協調制御のためのアルゴリズムを開発した。
各AIエージェントと批評家は、古典的な機械学習または生成AIファンデーションモデルにアクセスすることができる。
AIエージェントと批評家は中央サーバーと協力して、ネットワークテレメトリシステム、テキスト・ツー・イメージ生成、ビデオ生成、医療画像からの医療診断、患者記録などのマルチモーダルタスクを完了させる。
AIエージェントはタスクを完了し、評価のためにAI評論家に送信する。
批判者はその後、反応を改善するためにエージェントにフィードバックを送る。
共同作業によって,エージェント間のコミュニケーションや批判的コミュニケーションを伴わないシステム全体のコストを最小化する。
AIエージェントや批評家はコスト関数やコスト関数のデリバティブをプライベートに保ちます。
マルチタイムスケール確率近似手法を用いて、AIエージェントや批評家の時間平均活動状態に対する収束保証を提供する。
通信オーバーヘッドは、$$m$のモダリティに対して$\mathcal{O}(m)$の順序で、システム上で少し小さく、AIエージェントや批評家の数とは独立している。
最後に、ネットワークテレメトリにおける故障検出、重大度、原因分析の例を示し、そのアルゴリズムの有効性を徹底的に評価する。
関連論文リスト
- Federated Agentic AI for Wireless Networks: Fundamentals, Approaches, and Applications [60.721304295812445]
フェデレートラーニング(FL)はエージェントAIの全体的なループを改善する可能性がある。
まず、エージェントAIとメインストリームのFLタイプの基礎を要約し、各FLタイプがエージェントAIのループの特定のコンポーネントを強化する方法について説明する。
低高度無線ネットワークにおけるエージェントAIの動作決定性能を向上させるためにFRLを用いたケーススタディを行う。
論文 参考訳（メタデータ） (2026-03-02T11:26:56Z) - CausalAgent: A Conversational Multi-Agent System for End-to-End Causal Inference [36.88497246316067]
CausalAgentは、エンドツーエンドの因果推論のための対話型マルチエージェントシステムである。
新しいユーザ中心の人間-AIコラボレーションパラダイムとして、CausalAgentは分析ワークフローを明示的にモデル化している。
論文 参考訳（メタデータ） (2026-02-12T03:36:29Z) - EvoClinician: A Self-Evolving Agent for Multi-Turn Medical Diagnosis via Test-Time Evolutionary Learning [72.70291772077738]
エージェントのマルチターン診断能力を評価するためのベンチマークであるMed-Inquireを提案する。
次に、テスト時に効率的な診断戦略を学ぶ自己進化エージェントであるEvoClinicianを紹介する。
実験の結果,EvoClinicianは連続学習ベースラインや,メモリエージェントなどの自己進化エージェントよりも優れていた。
論文 参考訳（メタデータ） (2026-01-30T13:26:18Z) - ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
6Gネットワークは複雑な層間最適化に依存している。
数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。
我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
論文 参考訳（メタデータ） (2026-01-27T13:43:59Z) - Holistic Agent Leaderboard: The Missing Infrastructure for AI Agent Evaluation [87.47155146067962]
数百のタスクで並列評価をオーケストレーションする,標準化された評価ハーネスを提供する。
モデル、足場、ベンチマークにまたがる3次元解析を行う。
私たちの分析では、ほとんどのランで精度を低下させる高い推論努力など、驚くべき洞察が示されています。
論文 参考訳（メタデータ） (2025-10-13T22:22:28Z) - Barbarians at the Gate: How AI is Upending Systems Research [58.95406995634148]
システム研究は、新しいパフォーマンス指向アルゴリズムの設計と評価に長年注力してきたが、AI駆動のソリューション発見には特に適している、と私たちは主張する。
このアプローチをAI駆動システム研究(ADRS)と呼び、ソリューションを反復的に生成し、評価し、洗練する。
我々の研究結果は、AI時代のシステム研究の実践に急激な適応の必要性と破壊的な可能性を浮き彫りにしている。
論文 参考訳（メタデータ） (2025-10-07T17:49:24Z) - Impatient Users Confuse AI Agents: High-fidelity Simulations of Human Traits for Testing Agents [58.00130492861884]
TraitBasisは、AIエージェントを体系的にストレステストするための軽量でモデルに依存しない方法である。
TraitBasisは、ステアブルなユーザ特性に対応するアクティベーション空間で方向を学習する。
We observed on average a 2%-30% performance degradation on $tau$-Trait across frontier model。
論文 参考訳（メタデータ） (2025-10-06T05:03:57Z) - Creative Adversarial Testing (CAT): A Novel Framework for Evaluating Goal-Oriented Agentic AI Systems [0.0]
CAT(Creative Adversarial Testing)は、エージェントAIタスクとシステムの意図する目的との間の複雑な関係をキャプチャして分析するために設計された、新しいアプローチである。
我々は、Alexa+オーディオサービスに倣った合成相互作用データを用いて、CATフレームワークを広範囲にシミュレーションすることで検証する。
我々の結果は、CATフレームワークが目標とタスクのアライメントに関する前例のない洞察を提供し、エージェントAIシステムのより効率的な最適化と開発を可能にしていることを実証している。
論文 参考訳（メタデータ） (2025-09-26T23:52:20Z) - AutoGen Driven Multi Agent Framework for Iterative Crime Data Analysis and Prediction [0.3749861135832073]
本稿では,複数のAIエージェントが協調して犯罪データを解析・理解する,革新的なAI駆動型フレームワークであるLUCID-MAを紹介する。
分析アシスタントは犯罪パターンを強調表示し、分析結果をレビュー・精査するフィードバック・コンポーネントと、将来的な犯罪傾向を予測する予測・コンポーネントから構成される。
スコアリング機能はエージェントのパフォーマンスを評価するために組み込まれ、学習進捗を追跡する視覚プロットを提供する。
論文 参考訳（メタデータ） (2025-06-13T05:39:28Z) - Scalable, Symbiotic, AI and Non-AI Agent Based Parallel Discrete Event Simulations [0.0]
本稿では,複数のAIエージェントと非AIエージェントを組み合わせた並列離散イベントシミュレーション(PDES)手法を提案する。
我々は、4つの異なるドメインから4つの問題を解き、その結果をAIモデルだけで比較することで、我々のアプローチを評価する。
その結果,バニラモデルの精度が23%未満であるため,アプローチ全体の精度は68%であった。
論文 参考訳（メタデータ） (2025-05-28T17:50:01Z)
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。