論文の概要: From Anomalies to Failures: Constructing Causal Error Graphs for Agentic Trace Diagnosis

• arxiv url: http://arxiv.org/abs/2609.32514v1
• Date: Sat, 26 Sep 2026 12:01:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 08:07:50.055906
• Title: From Anomalies to Failures: Constructing Causal Error Graphs for Agentic Trace Diagnosis
• Title（参考訳）: 異常から失敗へ:治療的トレース診断のための因果誤りグラフの構築
• Abstract要約: LLMを駆動するエージェントは、長いエージェントトレースによって診断が困難になる複雑なアプリケーションにますますデプロイされる。 エージェントトレースの因果診断のためのツール強化エージェントフレームワークであるCEG-Agentを提案する。 CEG-Agentは, 意味的緩和と構造的正確な評価基準の下で, 最先端の性能を達成することを示す。
• 参考スコア（独自算出の注目度）: 27.28685987339971
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM-driven agents are increasingly deployed in complex applications, where long agentic traces make failures difficult to diagnose. Existing trace diagnosis methods often conflate anomalies, errors, and failures, making diagnostic targets ambiguous; they also lack structured modeling of how causally relevant errors propagate and amplify into final task failures, resulting in unreliable failure attribution. To address these problems, we propose CEG-Agent, a tool-augmented agentic framework for causal diagnosis of agentic traces. Specifically, CEG-Agent introduces an explicit taxonomy of anomalies, errors, and failures, and constructs Causal Error Graphs (CEGs), a unified typed representation that links execution events, diagnostic nodes, and failure outcomes through causal relations. To evaluate causal trace diagnosis, we further construct CEG-Bench, a fully agent-annotated benchmark with high-confidence, consensus-derived CEG annotations obtained through an Adversarial Agentic Adjudication Protocol (AAAP). We validate the resulting annotations against an expert-curated human gold set, which shows close agreement with the automatic annotations. Experiments on CEG-Bench demonstrate that CEG-Agent achieves state-of-the-art performance under both semantically relaxed and structurally exact evaluation criteria. Our code is publicly available.
• Abstract（参考訳）: LLMを駆動するエージェントは、長いエージェントトレースによって診断が困難になる複雑なアプリケーションにますますデプロイされる。 既存のトレース診断手法は、しばしば異常、エラー、失敗を分解し、診断対象を曖昧にする。 これらの問題に対処するために,エージェントトレースの因果診断のためのツール強化エージェントフレームワークであるCEG-Agentを提案する。 具体的には、CEG-Agentは異常、エラー、障害の明確な分類を導入し、因果関係を通じて実行イベント、診断ノード、障害結果をリンクする統一型付き表現であるCausal Error Graphs (CEGs)を構築している。 因果的トレース診断を評価するため,我々は,Adversarial Agentic Adjudication Protocol (AAAP) を通じて得られた高信頼度・コンセンサス由来のCEGアノテーションを備えた完全エージェントアノテートベンチマークであるCEG-Benchを構築した。 自動アノテーションとの密接な一致を示す専門家による金の集合に対するアノテーションの有効性を検証した。 CEG-Benchの実験は、CEG-Agentが意味的緩和および構造的正確な評価基準の下で最先端の性能を達成することを示した。 私たちのコードは公開されています。

関連論文リスト

• Diagnosing with Insights: Structured Analysis of Agent Failures via Behavioral Abstractions [11.572825895324236]
  AgentSCOPEは、エージェント障害モード診断のための新しいニューロシンボリックアプローチである。 AgentSCOPEは, 断層の局所化と属性精度において, 技術の現状を著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2026-09-02T09:42:38Z)
• From Sequence to Structure: Relational Uncertainty Propagation for LLM Agents [75.69180947909148]
  大規模言語モデル(LLM)エージェントのためのトラジェクトリレベルのUQフレームワークを提案する。 RuPAは、推論状態、ツールインタラクション、環境フィードバックが時間的およびセマンティックな依存関係エッジで接続されたノードである、指向的なトラジェクトリグラフとして実行履歴を表現している。 我々は,複数のモデルファミリにまたがる6つのオープンソースLCMを用いて,代用エージェントベンチマーク($2, Terminal-Bench-2, GAIA)でRUPAを評価した。
  論文  参考訳（メタデータ） (2026-08-17T01:40:14Z)
• Leveraging Trajectory Graphs for Pre-Execution Error Diagnosis in Agentic LLM Systems [47.66236392009794]
  LLM(Large Language Model)ベースのエージェントは、様々な複雑な対話的タスクにおいて、例外的なパフォーマンスを示す。 textitTrajectory Graph Copilot は LLM エージェントの副操縦士' として機能する新しいフレームワークで,実行前に潜在的な動作エラーを診断する。
  論文  参考訳（メタデータ） (2026-07-29T20:14:43Z)
• Can Large Language Models Generate Observability-Aware Code? [51.30941152293301]
  本稿では,エージェント生成システムにおける可観測性に関する系統的研究を行う。 その結果,ソースレベルでの診断的セマンティクスと実行時の障害信号との間には,一貫したギャップがあることが判明した。 本稿では,診断的意味論と故障信号暴露の両方を改善するためのガイダンスとして,可観測性指向のスキルを導入する。
  論文  参考訳（メタデータ） (2026-07-07T03:20:52Z)
• VerifyMAS: Hypothesis Verification for Failure Attribution in LLM Multi-Agent Systems [79.51005192758262]
  大規模言語モデル駆動型マルチエージェントシステムは複雑なタスクで優れている。 しかし、信頼性の低いエージェントは、システムレベルの信頼性にとって重要なボトルネックである。 本稿では,エージェント故障の帰属に関する仮説検証フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-17T14:09:35Z)
• Towards Self-Improving Error Diagnosis in Multi-Agent Systems [31.04613892300063]
  セマンティック障害帰属のための自己改善フレームワークであるErrorProbeを紹介する。 ErrorProbeは、責任あるエージェントと発生したエラーステップを特定する。 検証されたエピソードメモリを維持しており、実行可能証拠によってエラーパターンが確認された場合にのみ更新される。
  論文  参考訳（メタデータ） (2026-04-19T23:13:05Z)
• AgentTrace: Causal Graph Tracing for Root Cause Analysis in Deployed Multi-Agent Systems [0.0]
  本稿では,デプロイされたマルチエージェントAIシステムにおけるポストホック障害診断のための軽量因果トレースフレームワークであるAgentTraceを紹介する。 AgentTraceは、実行ログから因果グラフを再構築し、エラー発生から後方にトレースし、解釈可能な構造信号と位置信号を使って候補根本原因をランク付けする。 この結果から,因果トレースはエージェントシステムの信頼性と信頼性を向上させるための実践的な基盤となることが示唆された。
  論文  参考訳（メタデータ） (2026-03-16T00:46:44Z)
• AgentRx: Diagnosing AI Agent Failures from Execution Trajectories [9.61742219198197]
  構造化されたAPI、インシデント管理、オープンなWeb/ファイルタスクにまたがる115の障害トラジェクトリのベンチマークをリリースする。 各トラジェクトリには、臨界障害ステップと、基底理論から派生したクロスドメイン障害分類のカテゴリが注釈付けされている。 本稿では,ドメインに依存しない自動診断フレームワークであるAgentRXについて述べる。
  論文  参考訳（メタデータ） (2026-02-02T18:54:07Z)
• 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。