論文の概要: Cost-Utility Alignment in LLM Agent Trajectories:Profiling,Attribution,Diagnosis,Adaptation,and Evaluation

• arxiv url: http://arxiv.org/abs/2608.26195v1
• Date: Tue, 25 Aug 2026 06:31:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.117566
• Title: Cost-Utility Alignment in LLM Agent Trajectories:Profiling,Attribution,Diagnosis,Adaptation,and Evaluation
• Title（参考訳）: LLMエージェント軌道におけるコスト-ユーティリティアライメント:プロファイリング、属性、診断、適応、評価
• Abstract要約: LLMエージェントは、トークン、レイテンシ、金銭的手数料、環境リスクにコストを蓄積する多段階のトラジェクトリを通じてタスクを実行する。 我々は,資源消費とタスクコントリビューションを同一実行上の二重台帳として扱うトラジェクトリ中心のコストユーティリティアライメントフレームワークを開発した。
• 参考スコア（独自算出の注目度）: 7.673754519525176
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM agents execute tasks through multi-step trajectories that accumulate cost in tokens, latency, monetary fees, and environmental risk while producing utility only at the aggregate task level. Prior surveys address inference optimization, agent capabilities, or evaluation in isolation, leaving practitioners without principled tools to determine whether a trajectory's resource expenditure is justified by its task contribution. We address this gap by developing a trajectory-centric cost-utility alignment framework that treats resource consumption and task contribution as dual ledgers over the same execution, organized around five analytical stages: cost profiling, utility attribution, misalignment diagnosis, targeted adaptation, and evaluation. Utility attribution is central to this structure: rather than relying on aggregate outcomes, it organizes contribution methods by evidential strength, from process proxies and information dependency to counterfactual replay, supplying the causal evidence that grounds diagnosis and guides adaptation. Using this framework, we analyze recent agent systems, attribution methods, and evaluation protocols covering efficiency, reliability, and economic value, as well as five forms of misalignment spanning cognitive and context use, external interaction, recovery-loop control, resource-capability allocation, and multi-agent coordination, together with their targeted adaptations. The result is a closed analytical loop connecting the cost side of agent execution to its utility side, providing a structured basis for resource-aware agent design and deployment.
• Abstract（参考訳）: LLMエージェントは、トークン、レイテンシ、金銭的手数料、環境リスクにコストを蓄積する多段階のトラジェクトリを通じてタスクを実行する。 以前の調査では、推論の最適化、エージェント能力、あるいは独立しての評価に対処しており、実践者は、軌道のリソース支出がそのタスクの貢献によって正当化されるかどうかを判断するための原則化されたツールを持たないままである。 このギャップは、コストプロファイリング、ユーティリティ属性、誤調整診断、ターゲット適応、評価の5つの分析段階を中心に構成され、リソース消費とタスクコントリビューションを同じ実行上の二重台帳として扱うトラジェクティブ中心のコストユーティリティアライメントフレームワークを開発することで解決される。 総合的な結果に頼るのではなく、プロセスプロキシや情報依存から反現実的なリプレイに至るまで、明らかな強さによる貢献の手法を組織し、診断と適応の根拠となる因果的証拠を提供する。 本フレームワークを用いて,認知・コンテキスト利用,外部インタラクション,リカバリループ制御,資源能力配分,マルチエージェント協調の5種類の誤調整に加えて,効率,信頼性,経済価値を網羅する最近のエージェントシステム,属性手法,評価プロトコルを,対象とする適応とともに分析する。 その結果、エージェント実行のコスト側とユーティリティ側を接続するクローズドな分析ループが、リソースを意識したエージェントの設計とデプロイのための構造化された基盤を提供する。

関連論文リスト

• A Hybrid Agentic AI Framework for Intelligent Supply Chain Analytics [3.3292687565862535]
  本稿では、ビジネス意思決定と技術専門のギャップを埋めるサプライチェーン分析のためのエージェントシステムを提案する。 このシステムは探索分析と決定論的デリゲートの両方をサポートし、プランナーはアドホックな質問と構造化されたプロセスの間を移行できる。 その結果,マルチエージェント設計では90%の精度が得られ,単一のエージェントベースラインと競合することがわかった。
  論文  参考訳（メタデータ） (2026-09-11T21:59:30Z)
• From Sequence to Structure: Relational Uncertainty Propagation for LLM Agents [75.69180947909148]
  大規模言語モデル(LLM)エージェントのためのトラジェクトリレベルのUQフレームワークを提案する。 RuPAは、推論状態、ツールインタラクション、環境フィードバックが時間的およびセマンティックな依存関係エッジで接続されたノードである、指向的なトラジェクトリグラフとして実行履歴を表現している。 我々は,複数のモデルファミリにまたがる6つのオープンソースLCMを用いて,代用エージェントベンチマーク($2, Terminal-Bench-2, GAIA)でRUPAを評価した。
  論文  参考訳（メタデータ） (2026-08-17T01:40:14Z)
• EASy: Towards Efficient LLM-Based Agentic System [54.10819421625103]
  強化学習によるタスク性能と計算効率を協調的に最適化する訓練可能なエージェントフレームワークであるEASyを提案する。 EASyはLLMベースのオーケストレータに異種エグゼキュータの能力とコストプロファイルを明確に把握し、パフォーマンスのみのルーティング以上のコンテキスト依存的な調整を可能にする。 さらに、複雑なタスクを管理可能なマイルストーンに分解し、依存性を意識した実行グラフを構築し、適切なエグゼキュータを割り当て、その後の決定を中間的な結果に適用しながら、独立したステップを並列化するマイルストーン計画実行ワークフローも導入されている。
  論文  参考訳（メタデータ） (2026-08-05T08:50:36Z)
• Agentomics: Economic Foundations for the Valuation, Attribution, and Pricing of AI Agents in Human-AI Workflows [20.036142577511455]
  本稿では,ヒトおよび人工エージェントの評価,帰属,価格設定のためのフレームワークであるemphAgentomicsを紹介する。 セキュリティ運用ケーススタディでは、ハイブリッドなヒューマンAI-AIにおける生産性向上、デプロイメントコスト、信頼性損失、連立レベルの相補性について、フレームワークがどのように説明されているかが示されている。
  論文  参考訳（メタデータ） (2026-06-09T03:28:14Z)
• Agents that Matter: Optimizing Multi-Agent LLMs via Removal-Based Attribution [21.301961149692453]
  エージェント属性を協調ゲームとして形式化し、連立分布、削除プロトコル、ターゲットメトリックによってパラメータ化する。 そこで,LOO(Leave-One-Out)はボトルネックエージェントをボトルネック手法として効果的に識別するが,計算コストのごく一部に留まることを示す。 また、診断精度と倫理的行動に対するエージェントの貢献がしばしば分離されることを明らかにするため、医療MASの監査に我々の枠組みを適用した。
  論文  参考訳（メタデータ） (2026-05-26T19:39:27Z)
• When Independent Sampling Outperforms Agentic Reasoning [4.226475360842309]
  固定予算下での競合プログラミングのための推論時間計算の割り当てについて検討する。 モデル呼び出しのコストと回数の両方の関数として,エージェントベースの推論と反復的な独立サンプリング(k-shot)を比較した。
  論文  参考訳（メタデータ） (2026-05-08T20:53:51Z)
• Generate, Filter, Control, Replay: A Comprehensive Survey of Rollout Strategies for LLM Reinforcement Learning [79.88942231770629]
  強化学習(RL)は、大規模言語モデル(LLM)の推論能力を向上させるための訓練後の中心的なツールとなっている。 統一表記によるロールアウトパイプラインの形式化とGenerate-Filter-Control-Replay(GFCR)の導入 検証可能な報酬、プロセスの監督、判断に基づくゲーティング、ガイドとツリー/セグメントのロールアウト、アダプティブな計算割り当て、早期終了と部分的なロールアウト、スループット最適化、自己改善のための再生/再配置でRLにまたがる手法を合成する。
  論文  参考訳（メタデータ） (2026-04-08T00:53:29Z)
• When Should a Robot Think? Resource-Aware Reasoning via Reinforcement Learning for Embodied Robotic Decision-Making [68.12864562049957]
  身体ロボットシステムは、高レベルの推論をサポートするために、大規模言語モデル(LLM)ベースのエージェントにますます依存している。 エージェントはいつ、いつ、いつ行動すべきか? 本稿では,エンボディエージェントのリソース・アウェア・オーケストレーションのための階層的なフレームワークであるRARRL(Resource-Aware Reasoning via Reinforcement Learning)を提案する。
  論文  参考訳（メタデータ） (2026-03-17T15:38:50Z)
• Benchmarking LLM Agents for Wealth-Management Workflows [0.0]
  この論文はTheAgentCompanyを金融に焦点を当てた環境に拡張している。 本研究は、汎用LLMエージェントが、精密かつ経済的に代表的富管理タスクを完了できるかどうかを調査する。
  論文  参考訳（メタデータ） (2025-12-01T21:56:21Z)
• AgentEvolver: Towards Efficient Self-Evolving Agent System [51.54882384204726]
  本稿では,自律型エージェント学習を駆動する自己進化型エージェントシステムであるAgentEvolverを紹介する。 AgentEvolverは、セルフクエスト、セルフナビゲート、セルフコントリビューションという3つのシナジスティックメカニズムを導入している。 予備実験により、AgentEvolverは従来のRLベースのベースラインと比較して、より効率的な探索、より優れたサンプル利用、より高速な適応を実現していることが示された。
  論文  参考訳（メタデータ） (2025-11-13T15:14:47Z)
• Source Attribution in Retrieval-Augmented Generation [3.579940498399598]
  本稿では,RAGにおける重要文書を識別するために,Shapleyに基づく属性を適応させることの有効性と有効性について検討する。 本研究の目的は,(1) 確立された帰属原則をRAG文書レベル設定に体系的に適用すること,(2) SHAP近似がどの程度正確な帰属を反映できるかを定量化すること,(3) 重要な文書を特定するための実践的説明可能性を評価することである。
  論文  参考訳（メタデータ） (2025-07-06T17:36:45Z)
• Cost-Sensitive Portfolio Selection via Deep Reinforcement Learning [100.73223416589596]
  深層強化学習を用いたコスト依存型ポートフォリオ選択手法を提案する。 具体的には、価格系列パターンと資産相関の両方を抽出するために、新しい2ストリームポートフォリオポリシーネットワークを考案した。 蓄積したリターンを最大化し、強化学習によるコストの両立を抑えるため、新たなコスト感受性報酬関数が開発された。
  論文  参考訳（メタデータ） (2020-03-06T06:28:17Z)

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。