論文の概要: DAAF: From Failure Localization to Editable System Assets in LLM Agents

• arxiv url: http://arxiv.org/abs/2609.32498v1
• Date: Sat, 26 Sep 2026 11:39:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 08:31:45.244315
• Title: DAAF: From Failure Localization to Editable System Assets in LLM Agents
• Title（参考訳）: DAAF: LLMエージェントの障害ローカライゼーションから編集可能なシステムアセットへ
• Abstract要約: フェールローカライゼーションメソッドは、エージェントや実行トレースにエラーが現れる場所を特定することができるが、修復には別の決定が必要である。 我々は,このギャップを,実行場所ではなく,バージョン管理されたアドレス可能な項目を対象とするコンポーネント属性障害属性を通じて検討する。 本研究では,有効な属性置換の効果を学習し,この介入証拠をデプロイ時の診断に保存する検出・認識フレームワーク(DAAF)を提案する。
• 参考スコア（独自算出の注目度）: 27.35823188666524
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deployed LLM agents increasingly rely on persistent, versioned system assets such as routing rules, knowledge segments, prompt instructions, and reusable skills. Failure-localization methods can identify where an error manifests in an agent or execution trace, but repair requires a different decision: which editable system asset should be changed, and is that change expected to improve the task outcome? We study this gap through component-attribute failure attribution, where diagnosis targets versioned, addressable items rather than execution locations. We propose the Detection-Aware Attribution Framework (DAAF), which learns the effects of valid attribute replacements and amortizes this intervention evidence into deployment-time diagnosis. DAAF combines sparse and noisy failure signals to decide whether intervention is warranted, learns component-type-conditioned replacement effects from controlled replays evaluated by executable task outcomes, and shares supervision across requests with compatible intervention responses. At diagnosis time, DAAF uses only the observed execution, registered candidates, and available failure signals; it requires neither counterfactual replay nor task reward and returns no_change, a repair target, or an unresolved decision when evidence is insufficient. On held-out tau^2-bench Telecom tasks, DAAF achieves 80.72% attribute Hit@1, recovers 62.65% of failed executions while limiting clean-task regression to 3.23%, and reaches 71.93% overall task success. These results show that intervention-grounded attribute attribution can connect failure localization to executable system repair.
• Abstract（参考訳）: デプロイされたLLMエージェントは、ルーティングルール、知識セグメント、プロンプト命令、再利用可能なスキルなど、永続的でバージョン管理されたシステム資産にますます依存している。 フェールローカライゼーションメソッドは、エージェントや実行トレースにエラーが現れる場所を特定することができますが、修復には別の決定が必要です。 我々は,このギャップを,実行場所ではなく,バージョン管理されたアドレス可能な項目を対象とするコンポーネント属性障害属性を通じて検討する。 本稿では,有効な属性置換の効果を学習し,この介入証拠をデプロイ時診断に用い,DAAF(De detection-Aware Attribution Framework)を提案する。 DAAFはスパース信号とノイズ障害信号を組み合わせて、介入が保証されているかどうかを判断し、実行可能なタスク結果によって評価された制御されたリプレイからコンポーネントタイプの代替効果を学習し、互換性のある介入応答で要求間で監視を共有する。 診断時には、DAAFは、観察された実行、登録された候補、利用可能な故障信号のみを使用し、反ファクト的なリプレイやタスク報酬を必要とせず、証拠が不十分な場合にはno_change、修復ターゲット、未解決の判断を返却する。 ホールドアウトの tau^2-bench Telecom タスクでは、DAAF が 80.72% の Hit@1 を達成し、62.65% のエラー実行を回復し、クリーンタスクの回帰を 3.23% に制限し、全体的なタスク成功率は 71.93% に達した。 これらの結果から, 故障の局所化をシステム修復に繋げることができることがわかった。

関連論文リスト

• Diagnosis Before Recovery: Turning Agent Failures into Selective Self-Correction [22.654396704495934]
  開発セット障害は、どのリカバリ介入が許容可能かを決定することにより、欠落診断基板の一部を回復することができる。 DARCは、タスクファミリー障害モードをプロファイリングし、共有リカバリライブラリから不正な介入を発生させ、検証者選択によるデプロイメント成功コストポリシーを凍結する、診断誘導型リカバリハーネスである。
  論文  参考訳（メタデータ） (2026-08-12T08:14:45Z)
• AgentTether: Graph-Guided Diagnosis and Runtime Intervention for Reliable LLM Agent Operation [27.0859707906163]
  AgentTetherは実行時修復フレームワークで、基礎となるエージェントや環境を変更することなく、実行後の診断とガイド付きリカバリを自動化する。 オフラインのノーマルビヘイビアモデルとランローカルグラフ検出器を組み合わせることで、障害クリティカルなサブトラジェクトリをローカライズする。 オフラインの診断とガイダンスツールとして、あるいはオンラインの修復レイヤとしてデプロイできる。
  論文  参考訳（メタデータ） (2026-07-07T13:40:31Z)
• Can LLMs Really Recover Microservice Failures? A Recovery-Aware Evaluation of Diagnosis-to-Action Reasoning [48.22526014304726]
  本稿では,診断後インシデント応答に対するリカバリアクション評価フレームワークであるR2Actについて述べる。 R2Actはインシデントスキーマ、品質ゲート、アクション空間表現、リカバリ妥当性メトリクス、オフライン評価器、ライブ再生プロトコルを定義する。 システムから品質監査されたインシデント302件のベンチマークデータセットとして、このフレームワークをインスタンス化する。
  論文  参考訳（メタデータ） (2026-07-06T03:05:17Z)
• SkillAudit: Ground-Truth-Free Skill Evolution via Paired Trajectory Auditing [81.51044612408793]
  SkillAuditは、地味なフィードバックなしにエージェントスキルを進化させるフレームワークである。 行動の違いを編集指導に変換するために、SkillAuditはProcess-Aligned Contrastive Evaluationを使用する。 Refineはノイズや無関係なガイダンスを広く有用なスキルから取り除き、修復はタスクと競合するパスを置き換える。
  論文  参考訳（メタデータ） (2026-06-12T08:20:09Z)
• Self-Healing Agentic Orchestrators for Reliable Tool-Augmented Large Language Model Systems [0.10210859604701106]
  セルフヒーリングエージェントオーケストレータは、信頼性をランタイム境界制御問題として扱う。 セルフヒーリングは98.8%のタスク成功を達成し、リトライオンリーでは94.5%、フルリプランでは93.8%を達成している。
  論文  参考訳（メタデータ） (2026-05-31T19:27:22Z)
• ANNEAL: Adapting LLM Agents via Governed Symbolic Patch Learning [12.44509691077682]
  本稿では,繰り返し発生する障害をプロセス知識グラフのシンボル編集に変換する神経シンボルエージェントであるANNEALを紹介する。 その中核となるメカニズムであるFDKA(Failure-Driven Knowledge Acquisition)は、責任のあるオペレータをローカライズし、制約付きLLM生成を通じて型付きパッチを合成し、提案を検証する。 4つのドメインと27のマルチシードランをまたいだANNEALは、永続的な構造修復を行う唯一の評価システムである。
  論文  参考訳（メタデータ） (2026-05-04T05:24:03Z)
• DoVer: Intervention-Driven Auto Debugging for LLM Multi-Agent Systems [48.971606069204825]
  DoVerは、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のための介入駆動デバッグフレームワークである。 ターゲットの介入を通じて、アクティブな検証によって仮説生成を増強する。 DoVerは失敗試験の18～28%を成功させ、最大16%のマイルストーンを達成し、失敗仮説の30～60%を検証または否定する。
  論文  参考訳（メタデータ） (2025-12-07T09:23:48Z)
• Preemptive Detection and Correction of Misaligned Actions in LLM Agents [58.39520480675366]
  InferActは、実行前に不整合アクションを検出する新しいアプローチである。 タイムリーな修正をユーザーに警告し、有害な結果を防ぐ。 InferActは、ミスアライメントされたアクション検出におけるベースラインに対するMarco-F1の最大20%の改善を実現している。
  論文  参考訳（メタデータ） (2024-07-16T15:24:44Z)

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。