論文の概要: Attesting Outputs and Delegation Ancestry in Multi-Agent AI Systems
- arxiv url: http://arxiv.org/abs/2608.30387v1
- Date: Mon, 31 Aug 2026 07:42:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.29062
- Title: Attesting Outputs and Delegation Ancestry in Multi-Agent AI Systems
- Title（参考訳）: マルチエージェントAIシステムにおける出力とデリゲーションアンセストリーの検証
- Abstract要約: 事件後、検証者は2つの質問に答えなければならない。
クレデンシャルは、誰が行動するかを確立するが、後続の出力バイトにそれらをバインドする必要はない。
信頼できるデプロイランタイムは、リリースされた各出力のハッシュに署名する。
- 参考スコア（独自算出の注目度）: 3.276413627586882
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-agent applications delegate work across independently operated deployers. After an incident, a verifier must answer two questions: which deployer released the reported bytes, and whether each cross-deployer edge was authorized. Credentials establish who may act, but need not bind them to later output bytes or prove both deployers authorized a dynamically created edge. We present a two-layer attestation design for dynamic delegation without a shared authority, public log, or precommitted workflow. A trusted deployer runtime signs a hash of each released output; this records released bytes but does not prevent prompt injection. Ancestry evidence records edge authorization. Under a unified threat model, we compare a signed linked list, a Merkle-chain variant, and a co-signed DAG. The primitives are standard; the contribution is deployer-side binding and the evidence needed for the two questions. After child-key compromise, the single-signer designs permit an unauthorized parent binding, whereas the co-signed DAG rejects it because the parent must authorize the edge. Fixed adversary matrices and regression tests validate the composed verifier. On an Apple M1 Pro, ancestry-only checks take 24.3-499.2us per hop. In a live local multi-service workflow, a parent discovers the child's A2A Agent Card; the child calls an MCP tool and releases local-LLM output: all 30 signed-DAG tasks passed complete verification, while a controlled child-key-only claim was rejected; its mean end-to-end latency was 813.1ms versus 770.8ms without evidence. In a complementary three-availability-zone AWS deployment, all 1,000 valid co-signed-DAG paths verified; issuance averaged 3.651ms and complete verification 5.015ms. The cloud result excludes TLS/mTLS, KMS, and model-serving latency.
- Abstract（参考訳）: マルチエージェントアプリケーションは独立して運用されているデプロイに作業を委譲する。
インシデント後、検証者は2つの質問に答えなければならない。
クレデンシャルは、誰が行動するかを定めているが、後で出力されるバイトにバインドする必要はない。
本稿では、共有権限、公開ログ、事前コミットワークフローのない動的デリゲートのための2層認証設計を提案する。
信頼できるデプロイランタイムは、リリースされた各出力のハッシュに署名する。
証拠証拠は、エッジ認証を記録します。
統合脅威モデルの下では、署名付きリンクリスト、メルクルチェーン変種、共同署名DAGを比較します。
コントリビューションは、デプロイ側バインディングと、2つの質問に必要なエビデンスである。
チャイルドキーの妥協の後、シングルシグナーの設計では、未承認の親バインディングが許されるが、共同署名のDAGは、親がエッジを承認しなければならないため拒否する。
固定逆行列と回帰テストは、合成検証器を検証する。
Apple M1 Proでは、祖先のみのチェックはホップ当たり24.3-499.2usである。
実のローカルなマルチサービスワークフローでは、親が子供のA2Aエージェントカードを発見し、MSPツールを呼び出し、ローカルLLM出力を解放する。30の署名されたDAGタスクはすべて完全な検証をパスし、コントロールされたチャイルドキーのみのクレームは拒否され、平均的なエンドツーエンドレイテンシは813.1ms対770.8msである。
補完的な3アベイラビリティゾーンAWSデプロイメントでは、1,000の有効なDAGパスが検証され、発行平均は3.651ms、完全な検証は5.015msである。
クラウドはTLS/mTLS、KMS、モデル保存遅延を除外する。
関連論文リスト
- Agent Flight Recorder: Tamper-Evident Audit Trails with On-Chain Anchoring for Long-Horizon Tool-Using Agents [0.6564588068252765]
ロングホライゾンエージェントは数千のアクションを実行し、分離されたエラーではなく順次失敗する。
Agent Flight Recorderは、各エージェントアクションを構造化されたセマンティックシリアライズされたイベントバインディングとして、実行から実行までの8つのフィールドをキャプチャする。
合成エージェントの負荷に対して,5つの累積アブレーション構成でシステムを評価する。
論文 参考訳（メタデータ） (2026-09-01T22:59:08Z) - VERA: Authority-Preserving Edge Revocation for Federated AI-Agent Workflows [3.06815294082031]
我々は,エージェントランタイムアダプタが発行する検証可能なリコール契約とAPIであるVERA(Verifiable Edge Revocation for Agents)を署名された証拠として紹介する。
解法的権威の下で、エッジ e の無効化は T_intent(e,G) = reach(G) reach(G e) を正確に無効にする。
LangGraphフレームワーク-repltセルでは、20回繰り返し500コンパイルされたフレームのトレースと2000の有効な署名されたデリゲート決定が生成される。
論文 参考訳（メタデータ） (2026-08-30T23:39:26Z) - Zero-Knowledge Predicate Proofs Between AI Agents: A Measured, Cross-Protocol Gateway and the Source-Integrity Gap [0.0]
マルチエージェントAIプラットフォームは、ステージングからプロダクションへ素早く移行するが、エージェントが信頼を確立する方法はまだ初歩的だ。
提案から実行システムまで,エージェント間での検証可能なデータ最小化を行う。
32ビットのしきい値述語は6.2msで証明され、608バイトのBulletproofs証明で1.0msで検証される。
論文 参考訳（メタデータ） (2026-08-30T23:16:17Z) - AgentProv: Auditing Agentic LLM API Providers via Tool-use Policy Probes [38.37599802008238]
商用LLM APIは特定の基盤モデルを宣伝するが、提供されたバックボーンは静かに代用され、定量化され、あるいはラップされることがある。
既存の監査はすべて、テキスト出力チャネルからバックボーンアイデンティティを決定する。
本稿では,AgentProv(AgentProv)について紹介する。
論文 参考訳（メタデータ） (2026-08-30T08:22:12Z) - 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) - Independent Patch Verification for Coding Agents with a Bidirectional Reconstruct-and-Verify Framework [49.16055123488827]
大規模言語モデルを利用したコーディングエージェントは、バグレポートから直接コードパッチを生成することができる。
報告された問題を真に解決するかどうかを独立に検証するメカニズムは存在しない。
本稿では,RETRACE をトレーニング不要なポストジェネレーション検証フレームワークとして提案する。
論文 参考訳（メタデータ） (2026-08-09T22:59:13Z) - MOSS: Self-Evolution through Source-Level Rewriting in Autonomous Agent Systems [36.221246203666745]
MOSSは、生産エージェント基板上でソースレベルで自己書き換えを行うシステムである。
平均成績は0.25から0.61に上昇し、人間の介入なしに1サイクルで上昇する。
論文 参考訳（メタデータ） (2026-05-21T17:48:33Z) - Overeager Coding Agents: Measuring Out-of-Scope Actions on Benign Tasks [40.270213696031625]
OverEager-Genは、良質なタスクの振る舞いをオーバーイーガーするベンチマークである。
クロード・コードでは、同意宣言を削除するだけで、オーバーイーガー率は0.0%から17.1%に上昇する。
オーバーイーガー・ジェン(OverEager-Gen)は、入場前に各シナリオの識別力を認定する。
論文 参考訳（メタデータ） (2026-05-18T16:00:41Z) - An Executable Benchmarking Suite for Tool-Using Agents [3.5322131912413908]
このスイートは、WebArena Verified、SWE-GymスライスとSWE-bench互換の検証、および一般的なワークロードアダプタを介してMiniWoB++を接続する。
承認されたエビデンスには、レイテンシ、無効動作、パッチ生成コスト、検証済みメタデータ、リプレイバインディング、そして1つの監査可能な契約下での証明が記録されている。
論文 参考訳（メタデータ） (2026-05-10T21:24:53Z) - AIP: Agent Identity Protocol for Verifiable Delegation Across MCP and A2A [0.0]
IBCT(Invocation-Bound Capability Tokens)は、ID、認可、証明のバインディングを単一の追加専用トークンチェーンに融合する。
完全な言語間の相互運用性を備えたPythonとRustのリファレンス実装を提供しています。
論文 参考訳（メタデータ） (2026-03-25T19:45:37Z) - Governing Dynamic Capabilities: Cryptographic Binding and Reproducibility Verification for AI Agent Tool Use [0.0]
既存のセキュリティレイヤでは、AIエージェントに何ができるか、それが主張するものを実行したのか、マルチエージェントインタラクションで何が起きたのかを検証できない。
既存のフレームワークはこれら2つを詳述し、サイレントな能力のエスカレーションを可能にし、検証済みの証明なしに相互作用を残す。
我々は3つのエージェントガバナンス要件を導出する:能力の完全性(G1)、行動の妥当性(G2)、相互作用監査性(G3)。
基本(Ed25519, SHA-256; 97 us verify)と拡張(BBS+選択開示、Groth16 DV-SNARK; 13.8 ms)の2つの暗号に依存しないインスタンス化で検証する。
論文 参考訳（メタデータ） (2026-03-15T11:46:57Z) - SmartSnap: Proactive Evidence Seeking for Self-Verifying Agents [45.71333459905404]
SmartSnapは、受動的でポストホックな検証から、エージェント自身による積極的な自己検証へのパラダイムシフトである。
両ミッションで設計された新しいタイプのエージェントである「自己検証エージェント」を導入し、タスクを完了し、検証された証拠でその達成を証明した。
モデルファミリとスケールにわたるモバイルタスクの実験は、SmartSnapパラダイムによって、スケーラブルなLLM駆動エージェントのトレーニングが可能になることを実証しています。
論文 参考訳（メタデータ） (2025-12-26T14:51:39Z)
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。