論文の概要: Diagnosing and Mitigating Compounding Failures in Agentic Persuasion via Taxonomic Strategy Retrieval

• arxiv url: http://arxiv.org/abs/2606.24976v1
• Date: Tue, 23 Jun 2026 12:16:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.078264
• Title: Diagnosing and Mitigating Compounding Failures in Agentic Persuasion via Taxonomic Strategy Retrieval
• Title（参考訳）: 分類学的戦略検索によるエージェント説得における合併症の診断と緩和
• Abstract要約: 分類学的戦略RAG(英: Taxonomic Strategy RAG、TS-RAG)は、個別の分類的ボトルネックを通じて戦略をルートし、議論的構造をトピックの内容から切り離すシステム介入である。 TS-RAGは、標準的なセマンティック検索が崩壊する抽象論理の転送を大幅に改善する。 非対称な配置において「能力橋」として機能し、軽量な説得者に対抗相手を一貫して打ち負かす権限を与える。
• 参考スコア（独自算出の注目度）: 2.5607169168631696
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation-model agents in multi-step, open-ended environments frequently suffer from compounding errors, where early mistakes contaminate long-horizon trajectories. While Multi-Agent Debate (MAD) succeeds in deterministic domains, agents in subjective tasks like persuasion experience severe problem drift and sycophantic conformity. We identify semantic leakage in standard Retrieval-Augmented Generation (RAG) as a reproducible trigger for these failures, as standard RAG prioritizes vocabulary overlap over logical necessity. To eliminate this leakage, we introduce Taxonomic Strategy RAG (TS-RAG), a systems intervention that routes strategies through a discrete categorical bottleneck to decouple argumentative structure from topical content. Zero-shot, cross-domain evaluations demonstrate that TS-RAG significantly improves the transfer of abstract logic where standard semantic retrieval collapses. Crucially, TS-RAG acts as a "capability bridge" in asymmetric deployments, empowering lightweight persuaders to consistently defeat parametrically superior opponents (improving win rates from 70.5 to 78.5) and accelerating argumentative efficiency. Finally, we introduce trace-level diagnostics via a turn-by-turn Debate State Representation (DSR), demonstrating the necessity of strict constraints to prevent evaluation collapse via default agentic sycophancy.
• Abstract（参考訳）: 多段階のオープンエンド環境におけるファンデーションモデルエージェントは、しばしば複合的なエラーに悩まされ、初期のミスは長い水平軌道を汚染する。 マルチエージェント・ディベート(MAD)は決定論的ドメインで成功するが、説得のような主観的タスクのエージェントは深刻な問題ドリフトやサイコファンティックな適合性を経験する。 我々は、標準的なRAGが論理的必要よりも語彙重なりを優先するため、これらの障害の再現可能なトリガとして、標準的なRetrieval-Augmented Generation(RAG)のセマンティックリークを識別する。 この漏えいをなくすために,個別のカテゴリー的ボトルネックを通じて戦略をルートし,議論的構造をトピック的コンテンツから切り離すシステム介入であるTS-RAG(Taxonomic Strategy RAG)を導入する。 ゼロショット・クロスドメイン評価は、TS-RAGが標準的なセマンティック検索が崩壊する抽象論理の転送を大幅に改善することを示した。 TS-RAGは非対称な配置において「能力橋」として機能し、軽量の説得者にパラメトリックに優位な相手(勝利率を70.5から78.5に向上させる)を一貫して打ち負かし、議論効率を向上させる。 最後に,DSR(Roy-by-turn Debate State Representation)によるトレースレベルの診断を導入し,デフォルトのエージェント・サイコファンシーによる評価崩壊を防止するための厳密な制約の必要性を示す。

関連論文リスト

• ARMOR++: Agentic Orchestration of a Multi-Domain Primitive Set for Transferable Attacks on Deepfake Detectors [28.44035744358622]
  本稿では、高透過性ディープフェイク回避のための堅牢なマルチエージェントフレームワークARMOR++を紹介する。 5つの補完的プリミティブを統合することで、ARMOR++は事実上異種誘導バイアスをターゲットとします。 AADD-2025ベンチマークの厳密な評価は、ARMOR++が既存のエージェントと非エージェントのベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2026-07-16T17:45:13Z)
• Decoupling Thought from Speech: Knowledge-Grounded Counterfactual Reasoning for Resilient Multi-Agent Argumentation [0.0]
  マルチエージェントの議論フレームワークは、収束タスクにおける大きな言語モデルのパフォーマンスを改善することが示されている。 これらのフレームワークは現在、プロセスの安定性よりも最終的な出力精度を強く好んで最適化されている。 本稿では,KG-CFR(Knowledge-Grounded Counterfactual Reasoning)について紹介する。
  論文  参考訳（メタデータ） (2026-06-09T06:43:18Z)
• Beyond Semantic Relevance: Counterfactual Risk Minimization for Robust Retrieval-Augmented Generation [19.888565537472363]
  CoRM-RAG(Counterfactual Risk Minimization for RAG)は、検索と意思決定の安全性を一致させるフレームワークである。 トレーニング中にユーザのバイアスをシミュレートする認知摂動プロトコルを導入し,それを軽量なエビデンス・クリティカルに蒸留する。 このスコアリングモジュールは、対向的なクエリの摂動にも拘わらず、モデルの正しさを判断するために十分な明らかな強度を持つ文書を特定することを学習する。
  論文  参考訳（メタデータ） (2026-05-02T07:22:24Z)
• Taming Actor-Observer Asymmetry in Agents via Dialectical Alignment [59.536125286960186]
  セルフリフレクションと相互監査を可能にするために、専門的な役割を割り当てるマルチエージェントフレームワークがますます採用されている。 アクター・オブザーバ非対称性(Actor-Observer Asymmetric)と呼ばれる認知バイアスを同時に誘発する。 ReTASは、対立する視点を客観的なコンセンサスに合成するためにエージェントを誘導する。
  論文  参考訳（メタデータ） (2026-04-21T15:05:58Z)
• Hit-RAG: Learning to Reason with Long Contexts via Preference Alignment [97.55382322103986]
  Hit-RAGは認知的ボトルネックを解決するために設計された多段階の優先順位調整フレームワークである。 本手法は,3つの異なる段階を通じて外部証拠の利用を体系的に改善する。
  論文  参考訳（メタデータ） (2026-03-07T04:05:27Z)
• ICON: Indirect Prompt Injection Defense for Agents based on Inference-Time Correction [24.416258744287166]
  ICONは、タスクの連続性を維持しながら攻撃を中和する、調査と軽減のためのフレームワークである。 ICONは競争力のある0.4%のASRを達成し、商業グレード検出器と一致し、50%以上のタスクユーティリティーゲインを得る。
  論文  参考訳（メタデータ） (2026-02-24T09:13:05Z)
• Agentic Spatio-Temporal Grounding via Collaborative Reasoning [80.83158605034465]
  時間的ビデオグラウンド(Temporal Video Grounding)は、テキストクエリが与えられたビデオ内の対象物または人の時間的チューブを検索することを目的としている。 本稿では,STVGの課題に対して,オープンワールドおよびトレーニングフリーシナリオに向けたエージェント時空間グラウンド(ASTG)フレームワークを提案する。 具体的には、現代多言語モデル(MLLM)を活用した2つの特殊エージェントSRA(Spatial Reasoning Agent)とTRA(Temporal Reasoning Agent)である。 人気のあるベンチマークの実験は、既存の弱教師付きおよびゼロショットアプローチをマージンで上回る提案手法の優位性を実証している。
  論文  参考訳（メタデータ） (2026-02-10T10:16:27Z)
• The Silent Saboteur: Imperceptible Adversarial Attacks against Black-Box Retrieval-Augmented Generation Systems [101.68501850486179]
  本稿では,RAGシステムに対する敵攻撃について検討し,その脆弱性を同定する。 このタスクは、ターゲット文書を検索する非知覚的な摂動を見つけることを目的としており、もともとはトップ$k$の候補セットから除外されていた。 本稿では、攻撃者とターゲットRAG間の相互作用を追跡する強化学習ベースのフレームワークであるReGENTを提案する。
  論文  参考訳（メタデータ） (2025-05-24T08:19:25Z)
• Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
  Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)
• Exploring Robustness of Unsupervised Domain Adaptation in Semantic Segmentation [74.05906222376608]
  クリーンな画像とそれらの逆の例との一致を、出力空間における対照的な損失によって最大化する、逆向きの自己スーパービジョンUDA(ASSUDA)を提案する。 i) セマンティックセグメンテーションにおけるUDA手法のロバスト性は未解明のままであり, (ii) 一般的に自己スーパービジョン(回転やジグソーなど) は分類や認識などのイメージタスクに有効であるが, セグメンテーションタスクの識別的表現を学習する重要な監視信号の提供には失敗している。
  論文  参考訳（メタデータ） (2021-05-23T01:50:44Z)

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。