論文の概要: Convergent Detour Hijacking: Task-Preserving Resource Amplification in Skill-Based LLM Agents

• arxiv url: http://arxiv.org/abs/2608.12273v1
• Date: Wed, 12 Aug 2026 17:12:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.658439
• Title: Convergent Detour Hijacking: Task-Preserving Resource Amplification in Skill-Based LLM Agents
• Title（参考訳）: 収束Detour Hijacking:Skill-based LLM Agentにおけるタスク保存リソース増幅
• Abstract要約: LLMエージェントは、選択のための自然言語記述と計画のための教示体を使用して、ますますサードパーティのスキルに依存している。 Convergent Detour Hijacking(CDH)を紹介します。 複数 LLM バックエンドと 491 のホールドアウトタスクを単一タスクおよび複数ターン条件下で評価した。
• 参考スコア（独自算出の注目度）: 15.526916927007049
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLM agents increasingly rely on third-party skills, using natural-language descriptions for selection and instruction bodies for planning. This progressive-disclosure design exposes two sequential control points to untrusted publishers: a static skill may steer an otherwise correct task onto an unnecessarily costly trajectory. Prior work studies selection manipulation, malicious skill instructions, and tool-chain resource amplification largely separately, leaving their end-to-end composition unclear. We introduce Convergent Detour Hijacking (CDH), a text-only, runtime-independent attack that couples these stages. Under shared semantic cover, a description establishes relevance during selection, while an aligned body reuses that rationale to fabricate plausible dependencies during planning. CDH attracts an attacker-controlled coordinator alongside legitimate skills, recruits unnecessary benign skills into a bounded detour, and then re-enters the original route to preserve task completion. We evaluate it across multiple LLM backends and 491 held-out tasks under single-task and multi-turn conditions. On DeepSeek-V4-Pro, the matched coordinator is selected in 80.02% of tasks; among coordinator-hit runs that complete tasks, token consumption and end-to-end execution time increase by 66.91% and 92.45%, respectively, while aggregate task completion remains comparable. Thus, correct outcomes do not guarantee trajectory integrity or cost safety.
• Abstract（参考訳）: LLMエージェントは、選択のための自然言語記述と計画のための教示体を使用して、ますますサードパーティのスキルに依存している。 このプログレッシブ開示設計は、2つのシーケンシャルな制御ポイントを信頼できない出版社に公開する。 以前の研究では、選択操作、悪意のあるスキル命令、ツールチェーンのリソース増幅が大半が別々に行われ、エンドツーエンドの構成は不明確だった。 Convergent Detour Hijacking(CDH)を紹介します。 共有セマンティックカバーの下では、記述は選択中に関連性を確立し、整列体は、計画中に妥当な依存関係を作るために合理的に再利用する。 CDHは攻撃者が制御するコーディネータを正統なスキルとともに引き付け、不要な良性スキルを有界なデトゥールにリクルートし、タスク完了を維持するために元のルートに再入力する。 複数 LLM バックエンドと 491 のホールドアウトタスクを単一タスクおよび複数ターン条件下で評価した。 DeepSeek-V4-Proでは、マッチしたコーディネータが80.02%のタスクで選択される。 したがって、正しい結果は軌道の整合性やコストの安全性を保証するものではない。

関連論文リスト

• Learning Source Acquisition Policies by Offline Planning [4.521665817810516]
  O-MPACは、完全なトレーニングレコードから有限水平リスクコストターゲットを共有ソースアクションスコアラに転送する。 教師の目標と残りの計画的地平線が学習した意思決定にどのように影響するかを分析する。 O-MPACは、ソース適応GDFS、DIME、AACO+NN、および静的ポリシーに対する5つのタスクに対して、平均的な予算統合精度を持つ。
  論文  参考訳（メタデータ） (2026-09-13T05:41:25Z)
• AgentAbstain: Do LLM Agents Know When Not to Act? [19.223843408018997]
  既存の評価は、エージェントがいつ禁じるべきかを知るのではなく、タスクの成功に焦点を当てている。 エージェント禁忌のための最初の体系的評価枠組みとして,ツールを用いたLDMエージェントの動作を検知するキャリブレーション能力について述べる。 AgentAbstainは、エージェントネイティブな分類に基づくペアタスクのベンチマークである。
  論文  参考訳（メタデータ） (2026-07-11T00:57:36Z)
• SkillAudit: Ground-Truth-Free Skill Evolution via Paired Trajectory Auditing [81.51044612408793]
  SkillAuditは、地味なフィードバックなしにエージェントスキルを進化させるフレームワークである。 行動の違いを編集指導に変換するために、SkillAuditはProcess-Aligned Contrastive Evaluationを使用する。 Refineはノイズや無関係なガイダンスを広く有用なスキルから取り除き、修復はタスクと競合するパスを置き換える。
  論文  参考訳（メタデータ） (2026-06-12T08:20:09Z)
• Slipstream: Trajectory-Grounded Compaction Validation for Long-Horizon Agents [8.880437352929315]
  Slipstream(スリップストリーム)は、判断器を用いてエージェントの継続的な推論に対して候補の要約を検証する、軌道上の圧縮システムである。 タスクの精度を最大8.8ポイント改善し、エンドツーエンドのレイテンシを最大39.7%削減する。
  論文  参考訳（メタデータ） (2026-05-09T00:47:43Z)
• LoopTrap: Termination Poisoning Attacks on LLM Agents [22.325071451367265]
  本研究では,悪質なプロンプトをエージェントの文脈に注入することで,エージェントの終了判断を歪めることができることを示す。 エージェントの行動傾向を利用して、ターゲット固有の悪意のあるプロンプトを合成する自動赤チームフレームワークであるLoopTrapを紹介する。
  論文  参考訳（メタデータ） (2026-05-07T08:21:51Z)
• Leverage Laws: A Per-Task Framework for Human-Agent Collaboration [0.0]
  本研究では,タスクごとのレバレッジ比を人間とエージェントのコラボレーションに提案する。 情報密度自体が、人対エージェントフローと人対エージェントフローの別々の天井で区切られていることを示す。
  論文  参考訳（メタデータ） (2026-04-27T22:43:48Z)
• DRAFT: Task Decoupled Latent Reasoning for Agent Safety [59.46137757545185]
  DRAFT(Task Decoupled Latent Reasoning for Agent Safety)を提案する。 エクストラクターは、完全な軌跡をコンパクトな連続的な潜伏ドラフトに蒸留し、リゾナーはドラフトと元の軌跡に共同で参加して安全性を予測する。 DRAFTの精度は63.27%(LoRA)から91.18%に向上した。
  論文  参考訳（メタデータ） (2026-02-11T07:45:14Z)
• Beyond Entangled Planning: Task-Decoupled Planning for Long-Horizon Agents [28.061156787350395]
  Task-Decoupled Planning (TDP)は、絡み合った推論をタスク・デカップリングに置き換えるトレーニング不要のフレームワークである。 TDPは、ワークフローを中断することなく、推論とアクティブなサブタスクへのリプレーニングを限定する。 TravelPlanner、ScienceWorld、HotpotQAの結果は、TDPがトークン消費を最大82%削減しながら、強力なベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2026-01-12T14:30:10Z)
• Visual Backdoor Attacks on MLLM Embodied Decision Making via Contrastive Trigger Learning [89.1856483797116]
  MLLMをベースとした組込みエージェントに視覚的バックドアを注入する最初のフレームワークであるBEATを紹介する。 テキストトリガーとは異なり、オブジェクトトリガーは視点や照明の幅が広いため、確実に移植することは困難である。 BEATは攻撃の成功率を最大80%まで達成し、強い良識のあるタスクパフォーマンスを維持します。
  論文  参考訳（メタデータ） (2025-10-31T16:50:49Z)
• MEJO: MLLM-Engaged Surgical Triplet Recognition via Inter- and Intra-Task Joint Optimization [52.149337961205624]
  手術用三重項認識のためのタスク間最適化とタスク内最適化を両立する枠組みを提案する。 タスク間最適化のために、タスク共有およびタスク固有コンポーネントに表現を分解する共有特徴分散学習スキーム(S$2$D)を導入する。 タスク内最適化競合に対して,正負の曖昧さを識別・再バランスするコーディネート・グラディエント・ラーニング(CGL)戦略を開発する。
  論文  参考訳（メタデータ） (2025-09-16T09:48:52Z)
• Reinforcement Learning with Success Induced Task Prioritization [68.8204255655161]
  本稿では,自動カリキュラム学習のためのフレームワークであるSuccess induced Task Prioritization (SITP)を紹介する。 アルゴリズムはエージェントに最速の学習を提供するタスクの順序を選択する。 我々は,SITPが他のカリキュラム設計手法と一致するか,あるいは上回っていることを実証する。
  論文  参考訳（メタデータ） (2022-12-30T12:32:43Z)
• Skill-Based Reinforcement Learning with Intrinsic Reward Matching [77.34726150561087]
  Intrinsic Reward Matching (IRM) を提案する。 IRMにより、従来のスキル選択方法よりもはるかに効果的に事前訓練されたスキルを活用できる。
  論文  参考訳（メタデータ） (2022-10-14T00:04:49Z)
• Hierarchical Reinforcement Learning as a Model of Human Task Interleaving [60.95424607008241]
  我々は、強化学習によって駆動される監督制御の階層モデルを開発する。 このモデルは、タスクインターリービングの既知の経験的効果を再現する。 その結果、階層的RLがタスクインターリービングのもっともらしいモデルとして支持された。
  論文  参考訳（メタデータ） (2020-01-04T17:53:28Z)

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。