論文の概要: Autonomous Topology Mutation: Safe Runtime Restructuring for Multi-Agent LLM Systems with Capability, State, and Shadow Invariants

• arxiv url: http://arxiv.org/abs/2607.20488v1
• Date: Thu, 04 Jun 2026 11:38:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.198493
• Title: Autonomous Topology Mutation: Safe Runtime Restructuring for Multi-Agent LLM Systems with Capability, State, and Shadow Invariants
• Title（参考訳）: 自律的トポロジ変異: 機能,状態,シャドー不変性を備えたマルチエージェントLLMシステムの安全なランタイム再構築
• Abstract要約: マルチエージェント LLM フレームワークのランタイムチーム変更機構である Autonomous Topology Mutation (ATM) を導入する。 ATMはテレメトリ駆動のオーバーロード検出と、構造変化をゲートする3つの安全不変量を組み合わせたものだ。 720 DeepSeek-V3駆動のタスクは、4つのアブレーション条件と3つのワークロードで決定論的ツールスタブで実行され、ATM Factoriserはコードタスクの成功を3.3%から61.7%に引き上げる。
• 参考スコア（独自算出の注目度）: 0.11470070927586014
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-agent LLM frameworks typically fix their team topology at boot time. When an individual agent becomes overloaded at runtime, for example by mixing too many action categories, accumulating tool errors, or queueing behind too many calls, the system has no mechanism to restructure itself. We introduce Autonomous Topology Mutation (ATM), a runtime team-mutation mechanism for multi-agent LLM frameworks. ATM combines telemetry-driven overload detection with three safety invariants that gate each structural change: capability monotonicity, state-routing completeness, and shadow-before-live validation. ATM monitors a six-signal Bottleneck Index that includes queue depth, context thrash, tool-error rate, role entropy, retry-loop rate, and cross-agent wait time. When a warmup-calibrated threshold is breached for multiple consecutive ticks, ATM factorises the overloaded agent into specialised sub-agents and hot-swaps the parent into a coordinator role while preserving its external identity. State transfer is controlled by privacy-level-aware routing: each memory atom is routed only to a permitted child set, or explicitly dropped with a logged reason. No candidate topology receives live traffic until it has passed a shadow validation window. On 720 DeepSeek-V3-driven task runs with deterministic tool stubs across four ablation conditions and three workloads, the ATM factoriser split lifts code-task success from 3.3% to 61.7%. The full rail-and-distillation system reduces detected high-privacy memory exposure under a regex classifier from 2.0 to 0.0 events per task while preserving task quality. The runtime rails carrying ATM's invariants add less than 500 microseconds of p99 latency on the agent hot path. A small live-tool probe with real Python execution is included as an external-validity check. The implementation, benchmark harness, and traces are open-sourced.
• Abstract（参考訳）: マルチエージェントのLMフレームワークは通常、ブート時にチームのトポロジを修正する。 例えば、実行時に個々のエージェントが過負荷になった場合、例えば、過剰なアクションカテゴリ、ツールエラーの蓄積、過剰な呼び出しの待ち行列など、システムは自身を再構成するメカニズムを持っていない。 マルチエージェント LLM フレームワークのランタイムチーム変更機構である Autonomous Topology Mutation (ATM) を導入する。 ATMはテレメトリ駆動のオーバーロード検出と,各構造変化をゲートする3つの安全不変性 – 機能モノトニック性,ステートルーティング完全性,シャドウ・バイ・ライブバリデーション – を組み合わせる。 ATMは、キュー深さ、コンテキストスラッシュ、ツールエラー率、ロールエントロピー、リトライループレート、クロスエージェント待ち時間を含む6信号のBottleneck Indexを監視する。 ウォームアップ校正しきい値が複数回連続して破られると、ATMはオーバーロードされたエージェントを特殊なサブエージェントに分解し、その外的アイデンティティを保ちながら親をコーディネータロールにホットスワップする。 状態転送はプライバシレベルを意識したルーティングによって制御される。それぞれのメモリ原子は許可された子セットにのみルーティングされるか、ログされた理由によって明示的にドロップされる。 候補トポロジは、シャドー検証ウィンドウを通過するまで、ライブトラフィックを受け取りません。 720 DeepSeek-V3駆動のタスクは、4つのアブレーション条件と3つのワークロードで決定論的ツールスタブで実行され、ATM Factoriserはコードタスクの成功を3.3%から61.7%に引き上げる。 フルレール・アンド・蒸留システムは、リジェクス分類器の下で検出された高プライバシなメモリ露光を、タスク品質を維持しながらタスク毎に2.0から0.0イベントに削減する。 ATMの不変量を運ぶランタイムレールは、エージェントホットパスに500マイクロ秒未満のp99レイテンシを追加する。 実際のPython実行を備えた小さなライブツールプローブが、外部バリデーティチェックとして含まれている。 実装、ベンチマークハーネス、トレースはオープンソースである。

関連論文リスト

• Privacy-Preserving Topology-Guided Safety for LLM-Based Multi-Agent Systems via Federated Graph Learning [67.04448659688579]
  FGLGuardは、AgentDojoのグランドサクセスレートを、ほぼ無防備なユーティリティ、APIコストゼロ、無視可能な機能損失で43%削減する。 フェデレーションはオプションではなく、オフ・ザ・シェルフ・トランスファーは流通シフトによって崩壊する。 Live FGLGuardは、AgentDojoのグランドサクセスレートを、ほぼ無防備なユーティリティ、APIコストゼロ、無視可能な機能損失で43%削減する。
  論文  参考訳（メタデータ） (2026-09-02T07:57:12Z)
• LMSM: LLM Security Framework Inspired by Linux Security Modules [56.93644694627783]
  大規模言語モデル(LLM)は階層化されたディフェンスでデプロイされることが多いが、悪意のあるプロンプトはそれらをバイパスすることができる。 我々は,Language Model Security Modules (LMSM) という,Linux Security Modules (LSM) の背後にある分離を LLM サービスに適応させるセキュリティフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-26T12:13:05Z)
• AgentPatch: Coarse-to-Fine Weak-Task Repair for Merging Agentic Multimodal Large Language Models [22.004098225093177]
  AgentPatchは、エージェント型大規模言語モデルのためのトレーニング不要の粗大な修復フレームワークである。 安定した結合バックボーンを選択し、Wak-Task Unique Residual Recoveryを通じて希薄化した弱いタスク固有の信号を復元し、Agent-Guided Behavior-Critical Patchを適用する。 AgentPatchは、ルーティングやアンサンブルなしで単一の静的チェックポイントを生成する。
  論文  参考訳（メタデータ） (2026-08-07T01:52:45Z)
• Set-shifting Behavioral Test for Harnessed Agents [0.0]
  我々は、認知心理学からのセットシフトを借りて、エージェントが隠れた信頼性の変化にどのように適応するかを研究する。 エージェントはデフォルトで、各境界の数回以内の小さな繰り返しルーチンに落ち着く。 我々は,各エージェント軌跡のセットシフト精度を,ポストシフト後のウィンドウ毎に目標ツール群にルーティングする結合確率として評価した。
  論文  参考訳（メタデータ） (2026-07-15T02:49:05Z)
• Self-Adaptive Anomaly Detection with Reinforcement Learning and Human Feedback in Connected Vehicles [0.3324986723090369]
  本稿では,自律型CPSのためのオンライン異常検出フレームワークを提案する。 自己注意を伴う分解された深いQネットワークは、監視対象サービス毎に候補プールから最も適切な検出器を選択する。 保留中のトランジションバッファと60/40の優先順位付けされたリプレイ戦略を中心に構築されたHuman-in-the-loopリトレーニング機構により、オペレーターは専門家の知識を組み込むことができる。
  論文  参考訳（メタデータ） (2026-07-09T11:48:52Z)
• Managed Autonomy at Runtime: Gear-Based Safety and Governance for Single- and Multi-Agent Cyber-Physical Systems [0.0]
  我々は5つの実行装置とユーティリティゲートディスパッチとイベント駆動型フォールバックを組み合わせた離散時間制御システムを開発した。 単エージェントの場合、単調安定性、実行安全性、最終的な安定化、フォールバック完全性、およびギア制約されたマルコフ決定過程の等価性を証明する。 NIST emphDegradation Measurement of Robot Arm Position Accuracy dataset を用いて,3エージェントのUR5ロボット組立セル上での動作時間の評価を行った。
  論文  参考訳（メタデータ） (2026-07-01T02:21:38Z)
• Good to Go: The LOOP Skill Engine That Hits 99% Success and Slashes Token Usage by 99% via One-Shot Recording and Deterministic Replay [14.181844060152367]
  99%の成功率と99%のトークン削減を実現するシステムである LOOP SKILL ENGINE を提案する。 決定論的実行計画は、時間依存変数と結果依存変数をパラメータ化しながら、タスクの機能的意図をキャプチャする。 周期的エージェントタスクのベンチマークが5分から24時間に及ぶ間、Loop Skill Engineは毎月のトークン消費を93.3%--99.98%削減し、実行遅延を8.7倍削減し、出力非決定性を排除している。
  論文  参考訳（メタデータ） (2026-05-14T01:05:35Z)
• Good Agentic Friends Do Not Just Give Verbal Advice: They Can Update Your Weights [58.27172968382275]
  マルチエージェントLLMシステムは、通常自然言語メッセージを交換することで協調する。 送信者のメッセージを受信者のコンテキストに付加する代わりに、送信者の隠された状態を過渡的で受信者固有の重み摂動にコンパイルする。
  論文  参考訳（メタデータ） (2026-05-13T17:58:32Z)
• VLAA-GUI: Knowing When to Stop, Recover, and Search, A Modular Framework for GUI Automation [98.38575149237442]
  VLAA-GUIは3つの統合コンポーネントを中心に構築されたモジュラーGUIフレームワークである。 必須完全性検証は、UIで観測可能な成功基準と検証を、各完了ステップで実施する。 強制的なループブレーカは、繰り返し失敗した後、多層切替インタラクションモードを提供する。
  論文  参考訳（メタデータ） (2026-04-23T07:42:37Z)
• AgentCgroup: Understanding and Controlling OS Resources of AI Agents [2.8139711959925244]
  AIエージェントは、サンドボックスコンテナ内でさまざまなツールコールを実行するマルチテナントクラウド環境にますますデプロイされている。 サンドボックス型AI符号化エージェントにおけるOSレベルの資源動態の系統的特徴について述べる。 予備評価は, マルチテナント分離の改善と資源廃棄物の削減を実証する。
  論文  参考訳（メタデータ） (2026-02-10T02:37:42Z)
• Backdoor Cleaning without External Guidance in MLLM Fine-tuning [76.82121084745785]
  Believe Your Eyes (BYE)は、アテンションエントロピーパターンを自己教師信号として活用して、バックドアサンプルを特定してフィルタリングするデータフィルタリングフレームワークである。 クリーンタスクのパフォーマンスを維持しながら、ほぼゼロの攻撃成功率を達成する。
  論文  参考訳（メタデータ） (2025-05-22T17:11:58Z)
• Which Agent Causes Task Failures and When? On Automated Failure Attribution of LLM Multi-Agent Systems [50.29939179830491]
  LLMマルチエージェントシステムにおける障害帰属は、まだ調査が過小評価されており、労働集約的である。 本稿では,3つの自動故障帰属手法の開発と評価を行い,その欠点と欠点を要約する。 最良の方法は、障害に応答するエージェントを特定する際に53.5%の精度を達成するが、故障の特定には14.2%しか役に立たない。
  論文  参考訳（メタデータ） (2025-04-30T23:09:44Z)

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。