論文の概要: MeshHeal: Two-Timescale Self-Healing for Gray Failures in Decentralized LLM Agent Networks
- arxiv url: http://arxiv.org/abs/2609.29015v1
- Date: Thu, 24 Sep 2026 04:29:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.714511
- Title: MeshHeal: Two-Timescale Self-Healing for Gray Failures in Decentralized LLM Agent Networks
- Title（参考訳）: MeshHeal: 分散LDMエージェントネットワークにおけるグレー障害のための2時間スケールセルフヒーリング
- Abstract要約: MeshHealは、完全に分散化された自己修復フレームワークである。
能力にマッチしたピアレビューを2つのタイムスケールに分けている。
1タスクあたり51kのトータルモデルトークンを使用して0.839の劣化位相精度を達成し、最強のベースラインでは1タスクあたり115kの0.807の精度を達成した。
- 参考スコア（独自算出の注目度）: 60.95806999869478
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Decentralized LLM-based multi-agent systems coordinate through local interactions, but an agent can remain responsive while its task-solving quality persistently degrades. Such gray failures require protecting current tasks before sufficient evidence exists to alter future routing, while still allowing recovered agents to rejoin. We introduce MeshHeal, a fully decentralized self-healing framework that couples ability-matched peer review across two timescales. At the fast timescale, an adaptive hierarchy escalates uncertain or low-scoring outputs from repeated single-reviewer evaluation to committee deliberation and, when needed, correction before use. At the slow timescale, a task- and ability-conditioned peer-relative detector aggregates scores to distinguish persistent degradation from ordinary output variation, trigger mandatory committee review, and eventually exclude degraded agents from ordinary routing; recovery probes provide fresh evidence for reintegration. To faithfully evaluate routing, we introduce Model-Backed MAS Evaluation, which ties ability assignments to execution models, since prompt-based ability assignments alone can leave routing errors hidden. Across BBH, MATH, and MMLU-Pro, MeshHeal achieves 0.839 degraded-phase accuracy using 51k total model tokens per task, versus the strongest baseline Symphony's 0.807 accuracy using 115k per task. Under staggered degradation and recovery, MeshHeal isolates degraded agents, keeps them excluded from ordinary task execution until recovery, and returns them to normal routing.
- Abstract（参考訳）: 分散LDMベースのマルチエージェントシステムは、局所的な相互作用を通じて協調するが、エージェントは、タスク解決の品質が持続的に低下している間、応答性を維持することができる。
このようなグレーの障害は、将来のルーティングを変更するのに十分な証拠が存在する前に現在のタスクを保護する必要がある。
MeshHealは、完全に分散化されたセルフヒーリングフレームワークで、2つのタイムスケールで、能力にマッチしたピアレビューを結合します。
高速な時間スケールでは、適応的階層は、反復的な単一レビューア評価から、委員会審議や必要に応じて、使用前の修正まで、不確実または低スコアの出力をエスカレートする。
遅い時間スケールでは、タスク条件と能力条件のピア相対検出器がスコアを集計し、通常の出力変動から持続的な劣化を区別し、強制委員会レビューを誘導し、最終的に劣化したエージェントを通常のルーティングから除外する。
ルーティングを忠実に評価するために,実行モデルに能力割当を関連付けるモデルベースMAS評価を導入する。
BBH、MATH、MMLU-Pro全体で、MeshHealは1タスクあたり51kの合計モデルトークンを使用して0.839の劣化位相精度を達成し、最強のベースラインであるSymphonyは1タスクあたり115kの0.807の精度を達成している。
停滞した劣化とリカバリの下で、MeshHealは劣化したエージェントを分離し、リカバリまで通常のタスク実行から除外し、通常のルーティングに返却する。
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) - Finding Where the Buck Stops: An Automated Failure Attribution-Based Reflection Framework for Multi-Agent Collaboration [14.41671360589919]
DoCtOR(Diagnose-then-Correct PPO-enhanced Reflection)は、マルチエージェントコラボレーションを強化する新しいリフレクションフレームワークである。
DoCtORは、HotPotQA、ChartQAPro、Mind2Webデータセットの初期成功率よりも22%、26%、27%改善されている。
論文 参考訳（メタデータ） (2026-08-28T12:26:03Z) - TTSD-FAR: Test-Time Self-Distillation with Fisher-Anchored Restoration for Missing-Modality Emotion Recognition in LVLMs [83.78708832901194]
大規模ビデオ言語モデル(LVLM)は、野生のマルチモーダル感情認識(ER)のようなマルチモーダルタスクにおいて顕著なパフォーマンスを示している。
しかし、現実のデプロイメントは依然として困難であり、テスト時にモダリティが欠落したりうる。
凍結した教師が自己蒸留により適応的な低学級の生徒を指導する手法を提案する。
MELD, DFEW, BAHを0%-50%のモダリティで実験した結果, この統一型適応復元設計はエントロピーベースの適応, RAG, およびパープレキシティベースの生成より一貫して優れていた。
論文 参考訳（メタデータ） (2026-08-18T23:40:28Z) - Episodic Memory Temporal Consistency for Cooperative Multi-Agent Reinforcement Learning [17.62926868585848]
MARL(Cooperative Multi-Agent Reinforcement Learning)は、しばしば重度の報酬の分散と探索ボトルネックに悩まされる。
本稿では,歴史的経験をしっかりと構築し,選択的に活用するフレームワークであるEMTC(Epsodic Memory Temporal Consistency)を提案する。
EMTCは、超硬度SMACシナリオで最大24%の絶対勝利率改善を実現し、GRFタスク全体で平均28%の改善を実現している。
論文 参考訳（メタデータ） (2026-06-03T06:15:39Z) - ExComm: Exploration-Stage Communication for Error-Resilient Agentic Test-Time Scaling [57.42714978834704]
ExCommは、探索段階のエージェントテストタイムスケーリングのための通信プロトコルである。
ExCommは、強いテスト時間スケーリングベースラインを一貫して上回ります。
論文 参考訳（メタデータ） (2026-05-21T07:38:44Z) - AgentProcessBench: Diagnosing Step-Level Process Quality in Tool-Using Agents [50.481033105867205]
我々はAgentProcessBenchを紹介した。AgentProcessBenchは、現実的なツール拡張トラジェクトリにおけるステップレベルの有効性を評価するための最初のベンチマークである。
ベンチマークは、1,000の多様な軌跡と8,509の人間ラベル付きステップアノテーションと89.1%のアノテーション間合意で構成されている。
探索をキャプチャする3つのラベリングスキームと、ラベルのあいまいさを減らすためのエラー伝搬ルールを備えている。
論文 参考訳（メタデータ） (2026-03-15T16:13:58Z) - Trajectory Guard -- A Lightweight, Sequence-Aware Model for Real-Time Anomaly Detection in Agentic AI [0.0]
トラジェクトリガードはシームズ・リカレント・オートエンコーダであり、コントラスト学習によるタスク・トラジェクトリアライメントと、再構成によるシーケンシャル・アライメントを共同で学習するハイブリッド・ロス機能を備えている。
32ミリ秒のレイテンシで、当社のアプローチは LLM Judge のベースラインよりも17-27倍高速で動作し、実運用環境におけるリアルタイムの安全性検証を可能にします。
論文 参考訳（メタデータ） (2026-01-02T00:27:11Z) - MTTR-A: Measuring Cognitive Recovery Latency in Multi-Agent Systems [1.9544213396776273]
我々は、信頼性指標平均時間-回復(MTTR)、平均時間-失敗(MTBF)、および認知領域に関連する比率を適応する。
この研究はエージェント認知における実行可能性の基礎を確立し、認知的回復をアドホックなプロセスから標準化された解釈可能なパフォーマンスに変換する。
論文 参考訳（メタデータ） (2025-11-08T21:29:18Z) - Metacognitive Self-Correction for Multi-Agent System via Prototype-Guided Next-Execution Reconstruction [58.51530390018909]
大規模言語モデルに基づくマルチエージェントシステムは、協調的な問題解決において優れているが、エラーのカスケードには脆弱である。
我々は,MASにリアルタイム,教師なし,ステップレベルの誤り検出と自己補正を付与するメタ認知フレームワークMASCを提案する。
論文 参考訳（メタデータ） (2025-10-16T05:35:37Z)
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。