論文の概要: TopoEvo: A Topology-Aware Self-Evolving Multi-Agent Framework for Root Cause Analysis in Microservices

• arxiv url: http://arxiv.org/abs/2605.15611v1
• Date: Fri, 15 May 2026 04:45:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 03:45:13.160352
• Title: TopoEvo: A Topology-Aware Self-Evolving Multi-Agent Framework for Root Cause Analysis in Microservices
• Title（参考訳）: TopoEvo: マイクロサービスにおける根本原因分析のためのトポロジを意識した自己進化型マルチエージェントフレームワーク
• Authors: Junle Wang, Xingchuang Liao, Wenjun Wu,
• Abstract要約: 根本原因分析(RCA)はノイズや異種多モード可観測性のために困難である。 近年のLCMをベースとしたRCAエージェントは、ツールグラウンドによる説明を生成できるが、トポロジーに依存しないことが多い。 グラフ表現学習を構造化されたトポロジ制約推論と組み合わせたトポロジ対応の自己進化型マルチエージェントである textbfTopoEvo を提案する。
• 参考スコア（独自算出の注目度）: 10.602349579405832
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Root cause analysis (RCA) in microservices is challenging due to (i) noisy and heterogeneous multimodal observability (metrics, logs, traces), (ii) cascading failure propagation that amplifies downstream symptoms, and (iii) non-stationary topology drift induced by autoscaling and rolling updates. Recent LLM-based RCA agents can generate tool-grounded explanations, yet they often remain topology-agnostic and suffer from \emph{symptom-amplification bias}, misattributing the root cause to salient downstream victims. We propose \textbf{TopoEvo}, a topology-aware self-evolving multi-agent framework that couples graph representation learning with structured, topology-constrained reasoning. TopoEvo first introduces \emph{Metric-orthogonal Multimodal Alignment} (MOMA), which decomposes metric embeddings into complementary subspaces and contrastively aligns logs and traces to reduce modality redundancy and sparsity, yielding stable node representations for graph encoding. It then applies \emph{Vector Quantization} (VQ) to discretize topology-enhanced states into auditable \emph{symptom tokens} with a symptom lexicon, enabling reliable retrieval and token-level evidence grounding. On top of these discrete topology cues, TopoEvo performs a multi-agent \emph{Hypothesis--Evidence--Test} (HET) workflow to explicitly verify propagation-consistent explanations and separate initiating anomalies from amplified downstream symptoms. Finally, a \emph{Self-Evolving Mechanism} refreshes hierarchical incident memory and performs conservative test-time adaptation with high-confidence pseudo-labels to maintain robustness under drift.
• Abstract（参考訳）: マイクロサービスにおける根本原因分析(RCA)は困難である 一 ノイズ及び異質多モード観測可能性(メトリクス、ログ、トレース) (II)下流症状を増幅するカスケード障害伝播、及び 三 自動スケーリング及び転動更新による非定常トポロジードリフト 近年のLCMベースのRCAエージェントは、ツールグラウンドによる説明を生成できるが、しばしばトポロジカルな状態のままであり、「emph{symptom-amplification bias}」に悩まされ、下流の犠牲者に根本原因を誤る。 本稿では,グラフ表現学習とトポロジ制約付き推論を結合したトポロジ対応の自己進化型マルチエージェントフレームワークである \textbf{TopoEvo} を提案する。 TopoEvo は最初に \emph{Metric-orthogonal Multimodal Alignment} (MOMA) を導入し、グラフ符号化のための安定なノード表現を生成する。 次に、トポロジで強化された状態から可聴な \emph{symptom tokens} を症状レキシコンで識別するために \emph{Vector Quantization} (VQ) を適用する。 これらの離散トポロジの手がかりに加えて、TopoEvoは、伝搬に一貫性のある説明を明確に検証し、増幅された下流の症状から異常の開始を分離するマルチエージェント \emph{Hypothesis--Evidence--Test} (HET) ワークフローを実行している。 最後に、emph{Self-Evolving Mechanism}は階層的なインシデントメモリをリフレッシュし、高信頼の擬似ラベルによる保守的なテストタイム適応を実行し、ドリフト下で堅牢性を維持する。

関連論文リスト

• Shorthand for Thought: Compressing LLM Reasoning via Entropy-Guided Supertokens [4.0704009036918025]
  大規模言語モデルにおける推論は、重要な推論時間計算を引き起こす。 推論トークンは、低エントロピーのテクスト構造トークン(推論過程を足場とするフレーズの再帰)と高エントロピーのテクスト有機トークン(解に向かって進むプロブレム固有のコンテンツ)の2つの機能タイプに分かれていることを示す。 頻繁な構造パターンをキャプチャするテクスチャツペルトケンを導出し、教師付き微調整によりモデルに導入するように教える。
  論文  参考訳（メタデータ） (2026-04-29T07:06:43Z)
• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• From Flat Logs to Causal Graphs: Hierarchical Failure Attribution for LLM-based Multi-Agent Systems [13.588125015284257]
  本稿では,カオス軌跡を階層型因果グラフに変換する新しいフレームワークCHIEFを提案する。 Who&Whenベンチマークの実験によると、CHIEFはエージェントレベルの精度とステップレベルの精度の両方で8つの強い、最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-02-27T06:08:42Z)
• Graph-theoretic Agreement Framework for Multi-agent LLM Systems [0.228438857884398]
  本稿では,署名された対話ネットワークにおけるコンセンサスを分析するための厳密なグラフ理論の枠組みを確立する。 我々は、不均衡な批判サイクルが論理的フラストレーションと持続的推論振動をいかに生み出すかを示す。 階数1のスペクトルエッジ摂動は、固有値を安定左半平面にシフトさせることで、決定論的に対称性を損なうことを証明した。
  論文  参考訳（メタデータ） (2026-02-23T02:30:48Z)
• OMG-Agent: Toward Robust Missing Modality Generation with Decoupled Coarse-to-Fine Agentic Workflows [9.617220633655716]
  textbfunderlineOmni-textbfunderlineModality textbfunderlineGeneration Agent (textbfOMG-Agent)について述べる。
  論文  参考訳（メタデータ） (2026-02-04T02:25:40Z)
• 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)
• Hallucination Detection in LLMs with Topological Divergence on Attention Graphs [60.83579255387347]
  幻覚(Halucination)、すなわち、事実的に誤ったコンテンツを生成することは、大きな言語モデルにとって重要な課題である。 本稿では,TOHA (Topology-based HAllucination detector) をRAG設定に導入する。
  論文  参考訳（メタデータ） (2025-04-14T10:06:27Z)
• Counterfactual Intervention Feature Transfer for Visible-Infrared Person Re-identification [69.45543438974963]
  視覚赤外人物再識別タスク(VI-ReID)におけるグラフベースの手法は,2つの問題により,悪い一般化に悩まされている。 十分に訓練された入力特徴は、グラフトポロジーの学習を弱め、推論過程において十分に一般化されない。 本稿では,これらの問題に対処するためのCIFT法を提案する。
  論文  参考訳（メタデータ） (2022-08-01T16:15:31Z)

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。