論文の概要: DART: A DAG-Based Reputation and Incentive Framework via Blockchain-Enabled Governance for Trustworthy LLM Multi-Agent Collaboration
- arxiv url: http://arxiv.org/abs/2609.05529v1
- Date: Tue, 01 Sep 2026 21:31:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.0867
- Title: DART: A DAG-Based Reputation and Incentive Framework via Blockchain-Enabled Governance for Trustworthy LLM Multi-Agent Collaboration
- Title（参考訳）: DART: 信頼できるLLMマルチエージェントコラボレーションのためのブロックチェーン可能なガバナンスによるDAGベースのレピュテーションとインセンティブフレームワーク
- Abstract要約: 本研究は,DAGに基づく信頼性の高いマルチエージェントコラボレーションのための評価とインセンティブ規制フレームワークであるDARTを提案する。
Dartは、DAGワークフローオーケストレーション、機能と評価対応タスク割り当て、動的な振る舞い更新、多要素インセンティブ、IPFSストレージと組み合わせたスマートコントラクト説明責任を統一する。
フル DART は平均タスク成功率 93.33 +/- 2.26%、出力品質 0.9357 +/- 0.0117、リトライレート 0.2307 +/-0.0816、アロケーション遅延 1.1153 +/- 0.0408 s を達成し、その改善された構成を一貫して上回っている。
- 参考スコア（独自算出の注目度）: 0.2765050771128287
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language model (LLM)-based multi-agent systems (MAS) predominantly rely on centralized orchestration and lack formal verification mechanisms for agent reliability, participation, and system-level behavioral alignment. These shortcomings leave open environments severely vulnerable to uncooperative or malicious agents. This work proposes DART, a Directed Acyclic Graph (DAG)-based reputation and incentive regulation framework for trustworthy multi-agent collaboration, combining centralized operational orchestration with blockchain-enabled decentralized governance and accountability. DART unifies DAG workflow orchestration, capability and reputation-aware task allocation, dynamic behavior updates, multi-factor incentives, and smart contract accountability paired with IPFS storage. Under this paradigm, agent selection dynamically balances task alignment, historical reputation, and workload, while post-execution behavioral evidence continuously calibrates agent trust and the probability of future participation. Evaluated across four axes, DART achieves 93.6% Pass@1 on GSM8K and builds a full-stack application in 142 s using two agents, outperforming centralized baselines. Across five independent 150-round longitudinal trials, Full DART achieves a mean task success rate of 93.33 +/- 2.26%, output quality of 0.9357 +/- 0.0117, retry rate of 0.2307 +/- 0.0816, and allocation delay of 1.1153 +/- 0.0408 s, consistently outperforming its ablated configurations DART isolates persistent and intermittent malicious agents, obtaining a 99.3% output containment rate and restoring system success to 99.8%. These results demonstrate the potential of coupling reputation, incentives, DAG-based coordination, and verifiable blockchain-enabled governance to support adaptive and accountable multi-agent collaboration.
- Abstract（参考訳）: 大規模言語モデル(LLM)ベースのマルチエージェントシステム(MAS)は、主に中央集権的なオーケストレーションに依存しており、エージェントの信頼性、参加、システムレベルの行動アライメントに対する形式的な検証機構が欠如している。
これらの欠点は、非協力的または悪意のあるエージェントに対して、オープンな環境に深刻な脆弱性を残します。
この研究は、信頼できるマルチエージェントコラボレーションのためのDAGベースの評価とインセンティブ規制フレームワークであるDARTを提案し、中央集権的なオーケストレーションとブロックチェーン対応の分散ガバナンスと説明責任を組み合わせた。
DARTは、DAGワークフローオーケストレーション、機能と評価対応タスク割り当て、動的な振る舞い更新、多要素インセンティブ、IPFSストレージと組み合わせたスマートコントラクト説明責任を統一する。
このパラダイムの下では、エージェント選択はタスクアライメント、歴史的評価、作業負荷を動的にバランスさせ、一方、実行後の行動証拠はエージェント信頼と将来の参加の可能性を継続的に校正する。
4つの軸で評価され、DARTはGSM8K上で93.6%のPass@1を達成し、2つのエージェントを使用して142秒でフルスタックアプリケーションを構築する。
5つの独立した150ラウンドの縦断試験において、Full DARTは平均タスク成功率93.33 +/- 2.26%、出力品質0.9357 +/- 0.0117、再試行率0.2307 +/- 0.0816、アロケーション遅延1.1153 +/- 0.0408 sを一貫して上回り、持続的で断続的な悪意のあるエージェントを分離し、99.3%の出力保持率とシステム成功率を99.8%まで引き上げている。
これらの結果は、アダプティブとカウンタブルなマルチエージェントコラボレーションをサポートするために、結合評価、インセンティブ、DAGベースのコーディネーション、検証可能なブロックチェーン対応ガバナンスの可能性を示している。
関連論文リスト
- Modality-Decoupled Federated Learning for Privacy-Preserving Embodied Intelligence in 6G [90.42669277637026]
第6世代(6G)無線ネットワークは、大規模なインボディードインテリジェンスのための重要な基盤を提供すると期待されている。
本稿では、6Gネットワークにおけるプライバシー保護型インテリジェンスのためのモダリティ分離FLフレームワークであるFedMVLAを提案する。
論文 参考訳（メタデータ） (2026-09-09T01:36:44Z) - CockpitHAT: Dependency-Graph-Driven Hierarchical Attribution for Embodied Multi-Agent Cockpits [3.9502278152528625]
LLMマルチエージェントシステムは、タスクレベルの精度が高いプロセスレベルの障害を隠蔽する、正確性崩壊に悩まされる。
我々は、位置対応ウィンドウをDAGの依存性依存閾値に置き換える階層的属性フレームワークであるCockpitHATを紹介する。
CockpitBenchは、212の注釈付き障害トレースのベンチマークで、対話、車両状態、環境重大度、メモリチャネルにまたがる。
論文 参考訳（メタデータ） (2026-08-03T07:13:00Z) - TRUST: A Framework for Decentralized AI Service v.0.1 [47.384270414446604]
大規模推論モデル (LRM) とマルチエージェントシステム (MAS) は, 信頼性の高い検証を必要とする。
TRUST(Transparent, Robust, and Unified Services for Trustworthy AI)は,3つのイノベーションを備えた分散フレームワークである。
我々は、悪質な俳優が損失を被っている間、正直な監査人の利益を確実に確保する安全利益理論を証明する。
論文 参考訳（メタデータ） (2026-04-29T19:32:58Z) - Claw-Eval: Toward Trustworthy Evaluation of Autonomous Agents [66.97968363332465]
エージェントベンチマークの3つのギャップに対処するエンドツーエンド評価スイートであるClaw-Evalを紹介した。
Claw-Evalは3つのグループにまたがる9つのカテゴリにまたがる300の人間検証タスクで構成されている。
すべてのエージェントアクションは、3つの独立したエビデンスチャネルを通じて記録される。
論文 参考訳（メタデータ） (2026-04-07T17:43:18Z) - DeFRiS: Silo-Cooperative IoT Applications Scheduling via Decentralized Federated Reinforcement Learning [62.347535250646196]
本稿では、ロバストでスケーラブルなシロコラボ型IoTアプリケーションスケジューリングのための分散フェデレーション強化学習フレームワークであるDeFRiSを提案する。
DeFRiSは、(i)異種サイロ間のシームレスな知識伝達を可能にするための候補資源スコアを利用したアクション空間非依存ポリシー、(ii)汎用アドバンテージ推定とクリッピングされたポリシー更新を組み合わせたサイロ最適化ローカル学習メカニズム、(iii)類似性認識の知識伝達と異常検出に勾配指紋を利用するDual-Track Non-IIDロバストな分散集約プロトコル、の3つのイノベーションを統合する。
論文 参考訳（メタデータ） (2026-03-16T02:02:38Z) - Distributionally Robust Cooperative Multi-Agent Reinforcement Learning via Robust Value Factorization [29.92519720312025]
我々は、各エージェントの強靭な欲求行動が、強靭なチーム・最適関節行動と整合することを要求する原則である分散ロバストIGM(DrIGM)を導入する。
DrIGMは、分散されたgreedy実行と互換性のある、堅牢な個々のアクション値の新たな定義を保っている。
我々は既存のバリューファクターアーキテクチャのDrygM準拠の堅牢なバリエーションを導出する。
論文 参考訳（メタデータ） (2026-02-11T23:24:15Z) - Towards a Science of Scaling Agent Systems [79.64446272302287]
エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。
協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。
ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
論文 参考訳（メタデータ） (2025-12-09T06:52:21Z) - AgentShield: Make MAS more secure and efficient [5.105635962432747]
AgentShieldは、効率的な分散監査のための分散フレームワークである。
AgentShieldは92.5%のリカバリ率を獲得し、既存の方法と比較して監査オーバーヘッドを70%以上削減する。
論文 参考訳（メタデータ） (2025-11-28T06:55:50Z) - On the Fundamental Limitations of Decentralized Learnable Reward Shaping in Cooperative Multi-Agent Reinforcement Learning [7.778458484124299]
DMARL-RSAは、各エージェントが個々の報酬形成を学習する完全に分散化されたシステムである。
高度な報酬学習にもかかわらず、DMARL-RSAは-24.20 +/- 0.09の平均報酬しか達成していない。
論文 参考訳（メタデータ） (2025-10-27T07:01:35Z) - AdvEvo-MARL: Shaping Internalized Safety through Adversarial Co-Evolution in Multi-Agent Reinforcement Learning [78.5751183537704]
AdvEvo-MARLは、タスクエージェントに安全性を内部化する、共進化型マルチエージェント強化学習フレームワークである。
外部ガードに頼るのではなく、AdvEvo-MARLは攻撃者と防御者を共同で最適化する。
論文 参考訳（メタデータ） (2025-10-02T02:06:30Z) - Towards Transparent and Incentive-Compatible Collaboration in Decentralized LLM Multi-Agent Systems: A Blockchain-Driven Approach [21.498244821985562]
本稿では、透過的なエージェント登録、検証可能なタスク割り当て、動的評価追跡を可能にするブロックチェーンベースのフレームワークを提案する。
本実装では, GPT-4エージェントをSolidity契約と統合し, 50ラウンドのシミュレーション, 高いタスク成功率, 安定したユーティリティ分布, 創発的エージェントの特殊化を実演する。
論文 参考訳（メタデータ） (2025-09-20T16:00:24Z)
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。