論文の概要: Adversarial Course-of-Action Generation: Game-Theoretic Multi-Agent Algorithms for COA matching & COA generation
- arxiv url: http://arxiv.org/abs/2609.26059v1
- Date: Wed, 29 Jul 2026 02:16:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.850063
- Title: Adversarial Course-of-Action Generation: Game-Theoretic Multi-Agent Algorithms for COA matching & COA generation
- Title（参考訳）: COAマッチングとCOA生成のためのゲーム理論マルチエージェントアルゴリズム
- Abstract要約: 我々は,小規模なオフラインベンチマークであるCOA-Benchについて,自己再生によるCOA生成ポリシーを比較するためのアーティファクトを提案する。
COA-Benchは運用上の戦闘管理システムではなく、実際の、分類された、プロプライエタリな、あるいは人為的なデータを使用しない。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Course-of-action (COA) generation is a distributed planning problem: a system must propose structured candidate actions, evaluate them against an adversarial response, and surface options that remain tactically coherent under changing conditions. We present COA-Bench, a small offline benchmark and reproducibility artifact for comparing COA generation policies through self-play. Following the BattleCOA terminology, we reserve COA matching for asset-effect matching and COA generation for course-of-action generation; the present artifact does not implement either DecisionFunction directly. Instead, it represents COAs as typed action chains with conditional branches, assigns a synthetic COA quality score, compares opposing COAs with a BLUE-vs-RED advantage score and Nash-gap distance, and scores doctrinal coherence with an FM 3-0-inspired heuristic rubric. Across 50 synthetic scenarios spanning five operational templates, a sampled best-response policy that draws eight RED candidates reduces BLUE advantage from .516 to .485 and BLUE wargame win rate from .920 to .820; a two-stage multi-agent council with five BLUE proposer agents, RED-team adjudication, and critique-driven revision obtains .509 BLUE advantage and .820 BLUE win rate. We also identify and fix a benchmark-design issue in which scenario framing was stored as metadata but had no effect on generated COA content. COA-Bench is not an operational battle-management system and uses no real, classified, proprietary, or human-subject data. The contribution is an inspectable evaluation harness, preliminary benchmark evidence, and lessons for building auditable agentic planning artifacts.
- Abstract（参考訳）: コース・オブ・アクション(COA)生成は分散計画問題であり、システムは構造化された候補行動を提案し、敵の反応に対して評価し、変化する条件下で戦術的に一貫性を保つ表面オプションを提示しなければならない。
我々は,小規模なオフラインベンチマークであるCOA-Benchを,自己再生によるCOA生成ポリシーを比較するための再現性アーティファクトとして提示する。
バトルCOAの用語に従い、我々は、アセットエフェクトマッチングのためのCOAマッチングと、コース・オブ・アクション生成のためのCOA生成を予約する。
代わりに、COAを条件分岐を持つタイプドアクションチェインとして表現し、合成COA品質スコアを割り当て、反対COAをBLUE-vs-RED利得スコアとナッシュギャップ距離と比較し、FM 3-0にインスパイアされたヒューリスティックルーリックとドクトリンコヒーレンスをスコアする。
5つの運用テンプレートにまたがる50の合成シナリオのうち、8つのRED候補を引き出すサンプル化されたベストレスポンスポリシーは、BLUEの利点を.516から.485へ、BLUEのウォーゲーム勝利率を.920から.820へ下げる。
また,シナリオフレーミングをメタデータとして格納するベンチマーク設計問題も,生成したCOAコンテンツには影響しない。
COA-Benchは運用上の戦闘管理システムではなく、実際の、分類された、プロプライエタリな、あるいは人為的なデータを使用しない。
このコントリビューションは、検査可能な評価ハーネス、予備的なベンチマークエビデンス、監査可能なエージェント計画アーティファクトを構築するためのレッスンである。
関連論文リスト
- DRSR: Learning Set-Level Deletion Risk for Efficient Long-Horizon Agents [55.84813053778976]
ロングホライゾン言語モデルエージェントは、現在の決定と関係が変化する推論の痕跡、ツール交換、観察を蓄積する。
直接セットリスクスコアは、削除セットの選択としてエージェント履歴圧縮リスクを定式化する。
メカニカル・アナリシスとアブリケーションは、決定に制約のある関係、保持されたコンテキスト情報、ペア・インタラクション、および棄権がそれぞれ信頼できるプルーニングに寄与していることを示している。
論文 参考訳（メタデータ） (2026-09-23T03:06:01Z) - ActionPiece: Rethinking Action Tokenization for Autoregressive Vision-Language-Action Models [40.14720118215973]
アクショントークンーは自己回帰視覚アクション(VLA)モデルにおいて中心的な役割を果たす。
トークン化が再建後の局所的物理的距離ランキングをどれだけよく保存するかを測定するために,身体的ランクの整合性(PRC)を導入する。
本稿では,表現学習と量子化の連携による身体行動関係の保存を行うActionPieceを提案する。
論文 参考訳（メタデータ） (2026-09-16T11:19:54Z) - AdvPlan-Bench: Adversarial Evaluation of Structured Plan-Generation Agents [0.0]
本稿では,構造化計画生成エージェントの逆評価のためのオフラインベンチマークであるAdvPlan-Benchを紹介する。
コントリビューションは、タイプされた計画、反対応答セット、セレクタ診断、トレーサブルな候補-フロンティアメトリクスといった一般的な評価対象である。
論文 参考訳（メタデータ） (2026-08-01T19:17:03Z) - CoRT: Counterfactual Replay for Token-Level Rubric-Guided Policy Optimization [21.755134237801443]
CoRTは、ルーリック条件のGRPOのトークンレベルクレジット重み付け手法である。
比較の結果,CoRTは一致した応答レベルGRPOよりも改善していることがわかった。
論文 参考訳（メタデータ） (2026-07-28T12:45:19Z) - Compliance-Scored Best-of-N Guardrail Orchestration for Multimodal Document Generation in Payments Dispute Defense [0.0]
企業文書の大量生成には、財務紛争の物語、コンプライアンス通知、監査要約が含まれる。
統一されたガードレール層の前に、プロダクションシステムはしばしば別々のPIIリアクション、コンテンツモデレーション、フォーマット検証ステップを縫い合わせていた。
本稿では,テキストと画像入力のためのガードレールオーケストレーションレイヤを提案する。
論文 参考訳（メタデータ） (2026-06-01T00:24:30Z) - CFCamo: A Counterfactual Detect-or-Abstain Framework for Camouflaged Object Detection [3.995408039775796]
カモフラージュ物体検出(COD)のための視覚言語強化学習が最近行った。
標準的なCODトレーニングと評価データは肯定的であり、この設定で最適化されたエージェントは、過剰な検出バイアスを得ることができる。
そこで,本研究では,それぞれのCOD評価画像からカモフラージュされた目標を除去する対向型COD(CF-COD)を構築した。
論文 参考訳（メタデータ） (2026-05-28T20:14:17Z) - OmniEAR: Benchmarking Agent Reasoning in Embodied Tasks [52.87238755666243]
OmniEARは,言語モデルが身体的相互作用やツールの使用,マルチエージェントの協調にどう影響するかを評価するためのフレームワークである。
我々は、家庭と工業領域にまたがる1500のシナリオにおける連続的な物理的特性と複雑な空間的関係をモデル化する。
我々の体系的な評価は、モデルが制約から推論しなければならない場合、厳しい性能劣化を示す。
論文 参考訳（メタデータ） (2025-08-07T17:54:15Z) - AegisLLM: Scaling Agentic Systems for Self-Reflective Defense in LLM Security [74.22452069013289]
AegisLLMは、敵の攻撃や情報漏洩に対する協調的なマルチエージェント防御である。
テスト時のエージェント推論システムのスケーリングは,モデルの有用性を損なうことなく,ロバスト性を大幅に向上させることを示す。
アンラーニングやジェイルブレイクを含む主要な脅威シナリオに対する総合的な評価は、AegisLLMの有効性を示している。
論文 参考訳（メタデータ） (2025-04-29T17:36:05Z) - Catastrophic Overfitting: A Potential Blessing in Disguise [51.996943482875366]
FAT(Fast Adversarial Training)は、敵の堅牢性向上に効果があるとして、研究コミュニティ内で注目を集めている。
既存のFATアプローチではCOの緩和が進んでいるが, クリーンサンプルの分類精度が低下するにつれて, 対向ロバスト性の上昇が生じる。
クリーンな例と逆向きな例に特徴アクティベーションの相違を利用して,COの根本原因を分析した。
我々は, モデル性能を高めることを目的として, 「攻撃難読化」を実現するためにCOを活用する。
論文 参考訳（メタデータ） (2024-02-28T10:01:44Z) - Performance Evaluation of Adversarial Attacks: Discrepancies and
Solutions [51.8695223602729]
機械学習モデルの堅牢性に挑戦するために、敵対攻撃方法が開発されました。
本稿では,Piece-wise Sampling Curving(PSC)ツールキットを提案する。
psc toolkitは計算コストと評価効率のバランスをとるオプションを提供する。
論文 参考訳（メタデータ） (2021-04-22T14:36:51Z)
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。