論文の概要: Fairly Compensated Distributed Information Retrieval and Augmentation for AI Agents
- arxiv url: http://arxiv.org/abs/2609.22601v1
- Date: Fri, 18 Sep 2026 21:41:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-23 18:04:03.882715
- Title: Fairly Compensated Distributed Information Retrieval and Augmentation for AI Agents
- Title（参考訳）: AIエージェントのための公平に補償された分散情報検索と拡張
- Abstract要約: 本稿では,自律エージェントネットワークにおける分散情報検索と拡張のための,かなり補償されたプロトコルを提案する。
本フレームワークは,有効な情報の提供に成功した場合にのみ,データ提供者が補償を受けることを保証しつつ,候補文書を学習せずに確実に評価・ランク付けすることが可能である。
- 参考スコア（独自算出の注目度）: 2.4141768333300093
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The increasing reliance of autonomous AI agents on external and distributed knowledge sources introduces a fundamental challenge for decentralized information marketplaces: retrieval agents must evaluate the quality and relevance of data before purchase, while data providers must avoid revealing valuable information prior to guaranteed compensation. This paradox becomes particularly critical in trustless multi-agent environments, where no centralized intermediary can enforce fairness between parties. In this paper, we propose a fairly compensated protocol for distributed information retrieval and augmentation in autonomous agent networks. Our framework enables retrieval agents to securely evaluate and rank candidate documents without learning their plaintext contents, while ensuring that data providers are compensated only when valid information is successfully delivered. We further analyze the security properties of the protocol against malicious adversaries and evaluate its practical feasibility through implementations. Experimental results demonstrate that the proposed design is practical with current cryptographic infrastructures while preserving confidentiality, correctness, integrity, and fairness. We believe such mechanisms provide an important cryptographic foundation for trustworthy and economically sustainable decentralized knowledge marketplaces for future AI agent ecosystems.
- Abstract（参考訳）: 検索エージェントは購入前にデータの品質と関連性を評価しなければならないが、データプロバイダは、保証された補償の前に貴重な情報を公開することを避ける必要がある。
このパラドックスは、中央集権的な仲介者が当事者間の公平さを強制できない、信頼性のないマルチエージェント環境において特に重要になる。
本稿では,自律エージェントネットワークにおける分散情報検索と拡張のための,かなり補償されたプロトコルを提案する。
本フレームワークは,データ提供者が有効な情報の提供に成功した場合にのみ,データ提供者が補償を受けることを保証しながら,テキストの内容を知ることなく,検索エージェントが候補文書を安全に評価・ランク付けすることを可能にする。
さらに、悪意のある敵に対するプロトコルのセキュリティ特性を分析し、実装を通してその実用性を評価する。
実験により,提案手法は,秘密性,正確性,完全性,公平性を保ちながら,現在の暗号基盤で実用的であることが示された。
このようなメカニズムは、将来AIエージェントエコシステムのための信頼できる、経済的に持続可能な分散型知識市場のための重要な暗号基盤を提供すると信じています。
関連論文リスト
- Validity, Reliability, and Transparency in Artificial Intelligence Regulation [2.588958866512272]
記事は、現代のAIは、構築の妥当性、欠点、代表性、流通のシフト、公正なトレードオフに関する懸念を提起している。
我々は、比例評価とデプロイメント承認の前提条件として推論が機能すべきであると主張している。
論文 参考訳（メタデータ） (2026-08-06T09:36:15Z) - Fortress and Gatekeeper: Theorizing Transitive Trust in Third-Party Cybersecurity Risk Governance [3.116057885259112]
サードパーティベンダはますます、デジタルサービスデリバリに没頭している。
サードパーティのサイバーセキュリティリスクは、信頼関係とデリゲートの問題の両方である。
論文は、サードパーティのサイバーセキュリティリスクは信頼関係と委譲問題の両方であると主張している。
論文 参考訳（メタデータ） (2026-06-25T10:52:48Z) - Towards trustworthy agentic AI: a comprehensive survey of safety, robustness, privacy, and system security [57.35851886874902]
エージェントAIシステムは、複雑なタスクを自律的に実行するが、その多段階の軌道には、信頼性に挑戦する新たな障害モードが導入されている。
この調査では、リスクの高いデプロイメントに不可欠な2つのコアディメンションを通じて、信頼できるエージェントAIを精査する。
各次元について、重要な概念を明確にし、エージェントワークフローに沿ってリスクが発生する場所を特定し、ステージ目標の緩和戦略を要約する。
論文 参考訳（メタデータ） (2026-05-17T10:26:37Z) - Sell Data to AI Algorithms Without Revealing It: Secure Data Valuation and Sharing via Homomorphic Encryption [10.12846924939717]
原資産を復号することなく外部データの有用性を定量化するための,プライバシ保護フレームワークであるTrustworthy Influence Protocol(TIP)を導入する。
均質暗号化と勾配に基づく影響関数を統合することで、当社のアプローチは、購入者の特定のAIモデルに対して、正確で盲目なデータポイントのスコア付けを可能にします。
医療と生成AIドメインにおける実証シミュレーションは、フレームワークの経済的ポテンシャルを検証する。
論文 参考訳（メタデータ） (2025-12-04T16:35:09Z) - Designing DSIC Mechanisms for Data Sharing in the Era of Large Language Models [0.0]
大規模言語モデル(LLM)のトレーニングには、法的、プライバシー、戦略的制約に直面している機関からの大量の高品質なデータが必要である。
本稿では,信頼度を最小化したデータ共有のためのメカニズム設計フレームワークを提案する。
我々は、プロバイダがデータコストと品質をプライベートに知るモデルを定式化し、その価値は、モデルの性能に対するデータの貢献からのみ生じます。
論文 参考訳（メタデータ） (2025-06-01T22:17:18Z) - Information Retrieval Induced Safety Degradation in AI Agents [52.15553901577888]
本研究では,検索アクセスの拡大がモデル信頼性,バイアス伝搬,有害コンテンツ生成に与える影響について検討した。
整列 LLM 上に構築された検索可能なエージェントは、検索なしでの無検閲モデルよりも安全でない振る舞いをすることが多い。
これらの発見は、検索可能でますます自律的なAIシステムの公正性と信頼性を確保するための堅牢な緩和戦略の必要性を浮き彫りにしている。
論文 参考訳（メタデータ） (2025-05-20T11:21:40Z) - Towards Secure and Private AI: A Framework for Decentralized Inference [14.526663289437584]
大規模マルチモーダル基盤モデルは、スケーラビリティ、信頼性、潜在的な誤用に関する課題を提示する。
分散システムは、ワークロードの分散と障害の中心的なポイントの緩和によるソリューションを提供する。
これらの課題に対処するためには、AI開発に責任を負うように設計された包括的なフレームワークを使います。
論文 参考訳（メタデータ） (2024-07-28T05:09:17Z) - Language Models Can Reduce Asymmetry in Information Markets [100.38786498942702]
我々は、言語モデルを利用した知的エージェントが外部参加者に代わって情報を売買する、オープンソースのシミュレートされたデジタルマーケットプレースを紹介した。
このマーケットプレースを実現する中心的なメカニズムはエージェントの二重機能であり、特権情報の品質を評価する能力を持つと同時に、忘れる能力も備えている。
適切に行動するためには、エージェントは合理的な判断をし、生成されたサブクエリを通じて市場を戦略的に探索し、購入した情報から回答を合成する必要がある。
論文 参考訳（メタデータ） (2024-03-21T14:48:37Z) - Auditing and Generating Synthetic Data with Controllable Trust Trade-offs [54.262044436203965]
合成データセットとAIモデルを包括的に評価する総合監査フレームワークを導入する。
バイアスや差別の防止、ソースデータへの忠実性の確保、実用性、堅牢性、プライバシ保護などに焦点を当てている。
多様なユースケースにまたがる様々な生成モデルを監査することにより,フレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2023-04-21T09:03:18Z) - Trustworthy AI [75.99046162669997]
入力データの小さな敵対的変化への脆さ、決定の説明能力、トレーニングデータのバイアスに対処する能力は、最も顕著な制限である。
我々は,AIシステムに対するユーザおよび公的な信頼を高める上での6つの重要な問題に対処するために,信頼に値するAIに関するチュートリアルを提案する。
論文 参考訳（メタデータ） (2020-11-02T20:04:18Z)
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。