論文の概要: AutoRAS: Learning Robust Agentic Systems with Primitive Representations

• arxiv url: http://arxiv.org/abs/2606.21445v1
• Date: Fri, 19 Jun 2026 14:05:37 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-06-23 11:29:16.349731
• Title: AutoRAS: Learning Robust Agentic Systems with Primitive Representations
• Title（参考訳）: AutoRAS: 原始表現を用いたロバストなエージェントシステム学習
• Authors: Yang Yue, Xuancheng Zhu, Yuyang Ma, Guoshun Nan, Zihan Dou, Jingru Shan, Congyu Guo, Ji Zhang, Hua Wang, Jingfeng Zhang,
• Abstract要約: AutoRASは、堅牢なエージェントシステムの自動設計のためのフレームワークである。 実験の結果、AutoRASはバニラと敵の両方で最高のパフォーマンスを達成していることがわかった。
• 参考スコア（独自算出の注目度）: 24.053606410215128
• License:
• Abstract: The automated design of agentic systems offers a promising pathway for scaling large language models (LLMs) beyond single-agent reasoning. While prior work has advanced task performance through handcrafted or automatically generated multi-agent workflows, robustness is often treated as an afterthought, leaving systems vulnerable to external adversaries and internal failures. We propose AutoRAS, a framework for the Automated design of Robust Agentic Systems. AutoRAS formulates system design as generating a sequence of symbolic primitives that jointly encode structural connectivity and behavioral actions, and learns to optimize this sequence using execution-derived safety signals and flow-based sequence-level objectives. Extensive experiments show that AutoRAS achieves the best performance in both vanilla and adversarial settings, with the smallest performance degradation under attacks. Further analyses demonstrate strong transferability, stable optimization behavior, stability across primitive sets, and favorable cost trade-offs. Our code is available at $\href{https://github.com/guohezuy/AutoRAS}{\text{this https URL}}$.
• Abstract（参考訳）: エージェントシステムの自動設計は、単一エージェント推論を超えた大規模言語モデル(LLM)をスケールするための有望な経路を提供する。 以前の作業では、手作りまたは自動生成されたマルチエージェントワークフローを通じてタスクパフォーマンスが向上していたが、堅牢性はしばしば後から考えられたものとして扱われ、システムは外部の敵や内部の障害に弱いままである。 本稿では,ロバストエージェントシステムの自動設計のためのフレームワークであるAutoRASを提案する。 AutoRASはシステム設計を、構造的接続性と行動動作を共同でエンコードする記号的プリミティブのシーケンスとして定式化し、このシーケンスを実行由来の安全信号とフローベースのシーケンスレベルの目的を用いて最適化することを学ぶ。 大規模な実験では、AutoRASはバニラと敵の両方で最高のパフォーマンスを達成し、攻撃によるパフォーマンス低下は最小である。 さらなる分析では、強い転送可能性、安定した最適化挙動、原始集合間の安定性、好ましいコストトレードオフが示される。 私たちのコードは$\href{https://github.com/guohezuy/AutoRAS}{\text{this https URL}}$で利用可能です。

関連論文リスト

• The Illusion of Multi-Agent Advantage [63.92466143571383]
  専門家が設計したマルチエージェントシステム(MAS)は、生の性能とコスト効率において、自動生成されたアーキテクチャを一貫して上回っていることを示す。 既存の評価フレームワークは、計算コストの増加の限界効用を考慮せず、アーキテクチャ上の重要なギャップと非効率を隠蔽している。
  論文  参考訳（メタデータ） (2026-06-11T07:39:24Z)
• GenAutoML: An Agentic Framework for Dynamic Architecture Generation and Optimization in Time-Series Analysis [0.22166578153935787]
  GenAutoMLは、自然言語要求とPyTorch実装をブリッジするために、ニューラルネットワークアーキテクトとして大規模言語モデルを活用するエージェントフレームワークである。 ETTh1、ETTm1、Weatherベンチマークの実験は、GenAutoMLがデータセットの特徴に合わせたタスク固有のニューラルアーキテクチャを動的に生成できることを実証している。 GenAutoMLは、計算効率、アーキテクチャ適応性、安定した最適化動作を強調することで、リソース制約とレイテンシに敏感なEdge AIデプロイメントに適した超軽量ニューラルネットワークの作成を可能にする。
  論文  参考訳（メタデータ） (2026-06-04T08:35:40Z)
• Agent-GWO: Collaborative Agents for Dynamic Prompt Optimization in Large Language Models [69.55139736609367]
  Agent-GWOは複雑な推論のための動的プロンプト最適化フレームワークである。 本稿では,Agent-GWOが既存のプロンプト最適化手法よりも精度と安定性を一貫して向上することを示す。
  論文  参考訳（メタデータ） (2026-04-14T07:35:37Z)
• Loosely-Structured Software: Engineering Context, Structure, and Evolution Entropy in Runtime-Rewired Multi-Agent Systems [9.34019956999278]
  堅牢なマルチエージェントシステムの構築には、不確実性の下で複雑性を管理するアーキテクチャに重点を置くエンジニアリングの規律が必要である。 本稿では,決定論的論理の構成から実行時エントロピーの管理へと,工学的焦点を移すソフトウェアシステムであるemphLoosely-Structured Software (LSS)を紹介する。
  論文  参考訳（メタデータ） (2026-03-16T02:07:34Z)
• ReasAlign: Reasoning Enhanced Safety Alignment against Prompt Injection Attack [52.17935054046577]
  本稿では、間接的インジェクション攻撃に対する安全性アライメントを改善するためのモデルレベルのソリューションであるReasAlignを提案する。 ReasAlignには、ユーザクエリの分析、競合する命令の検出、ユーザの意図したタスクの継続性を維持するための構造化された推論ステップが組み込まれている。
  論文  参考訳（メタデータ） (2026-01-15T08:23:38Z)
• MAS$^2$: Self-Generative, Self-Configuring, Self-Rectifying Multi-Agent Systems [40.44248136759827]
  マルチエージェントシステムを自律的に設計するマルチエージェントシステムであるMAS$2$を紹介する。 MAS$2$は、最先端のMASに対して最大19.6%のパフォーマンス向上を達成する。
  論文  参考訳（メタデータ） (2025-09-29T06:20:10Z)
• Gödel Agent: A Self-Referential Agent Framework for Recursive Self-Improvement [112.04307762405669]
  G"odel AgentはG"odelマシンにインスパイアされた自己進化型フレームワークである。 G"odel Agentは、パフォーマンス、効率、一般化性において手作業によるエージェントを上回る、継続的な自己改善を実現することができる。
  論文  参考訳（メタデータ） (2024-10-06T10:49:40Z)

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。