論文の概要: Agentic Commerce Bench: Measuring Fraud Detection for Agents That Spend Money

• arxiv url: http://arxiv.org/abs/2609.35886v1
• Date: Sun, 27 Sep 2026 00:58:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.879981
• Title: Agentic Commerce Bench: Measuring Fraud Detection for Agents That Spend Money
• Title（参考訳）: エージェント商取引ベンチ:お金を振り返るエージェントの不正検出を計測する
• Abstract要約: AIエージェントは、現在、支出権限を保持し、人間の本人確認なしに支払いを和解している。 適切なドメイン、正しい解決アドレス、真に提供されたサービスは、必要以上に料金を請求することができる。 我々はその損失を計測・低減するための3つの工芸品を提示する。
• 参考スコア（独自算出の注目度）: 2.7632764922736848
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI agents now hold spend authority and settle payments without per-action human confirmation. The resulting loss is often not a security failure: a counterparty with the correct domain, the correct settlement address and a genuinely delivered service can charge more than it should, and no check keyed on identity will see it. We present three artefacts for measuring and reducing that loss. First, a taxonomy of agentic commerce fraud that separates five observation levels (agent reasoning, wire, settlement rail, counterparty, principal) from the request-level and history-level evidence available at each, and records which levels can observe which attacks. Second, Agentic Commerce Bench (ACB), a benchmark of twenty fraud classes generated from production aggregates, 1,647 catalogued service operations and 1,068 settlements, of which six involve a counterparty that is exactly who it claims to be. Third, gordonguard, an open-source detector stack and offline harness with which an operator can audit an agent configuration, replay hostile counterparties without an account, and run the same detectors inline. Calibrating to a stated false-positive budget on clean training traffic gives a 6.5% clean flag rate, replicated across three independent generations, and leaves eight of twenty classes no better than chance. On the four classes a reasoning layer can observe, a widely used agent security scanner run over its jailbreak-detection panel scores zero on all four, while correctly scoring 1.0 on a jailbreak supplied as a control. A measured median payment of $0.007 places a hard constraint on deployment: one human review costs 143 times the value of the payment it examines.
• Abstract（参考訳）: AIエージェントは、現在、支出権限を保持し、人間による本人確認なしに支払いを解決している。 正しいドメイン、正しい解決アドレス、真に提供されたサービスは、必要以上に料金を請求することができ、IDにキーを付けたチェックは見つからない。 我々はその損失を計測・低減するための3つの工芸品を提示する。 第一に、エージェント取引詐欺の分類法で、それぞれの要求レベルと履歴レベルの証拠から5つの観察レベル(エージェント推論、ワイヤー、決済レール、相手、プリンシパル)を分離し、どのレベルがどの攻撃を観察できるかを記録する。 第二に、Agentic Commerce Bench(ACB)は、20の不正なクラスが生産集約から生成されたベンチマークで、1,647のカタログ化されたサービスオペレーションと1,068の決済で、そのうち6つは、その正体を正確に主張する相手を含んでいる。 第3に、Gordonguardはオープンソースの検出器スタックであり、オペレータがエージェントの設定を監査し、アカウントなしで敵対的相手を再生し、同じ検出器をインラインで実行することができるオフラインハーネスである。 クリーンなトレーニングトラフィックに偽陽性の予算を課すことで、クリーンフラッグレートは6.5%となり、3世代にまたがって複製され、20クラス中8クラスは偶然に劣らない状態にある。 推論層が観察できる4つのクラスでは、広く使われているエージェントのセキュリティスキャナーがジェイルブレイク検出パネル上で実行され、4つのクラスすべてで0点、ジェイルブレイクで1.0点が制御として供給される。 1人のレビューコストは、検査する支払いの143倍である。

関連論文リスト

• Agent Mesh: Reliability Primitives for Non-Idempotent Agent Delegation - Identity Adequacy and Evidence Adequacy [0.0]
  本報告では,81回にまたがる147件の番号付インシデントに対して,生産エージェント型ソフトウェアデリバリプラットフォームが故障したことを報告する。 50-4連続して成功したツールコールのループには、エラーレートブレーカが見つからない。 メッセージではなくデリゲートを執行単位とする7つの信頼性プリミティブを導出します。
  論文  参考訳（メタデータ） (2026-08-26T15:38:21Z)
• AgentWorld: Personality-Aware Reliability Evaluation for Agentic Information Retrieval [1.1647715835517187]
  AgentWorldは、パーソナリティ駆動のユーザ人口とステートフルなツール使用環境を組み合わせたシミュレーションフレームワークである。 10のOCEANペルソナにわたる会話分析エージェント(240の評価者判断)、5つのタスクにわたるカスタマーサポートエージェント($times$4のペルソナ変種)、既存のトラジェクタの不安定さを示す5つのタスクの逆ストレステストである。
  論文  参考訳（メタデータ） (2026-08-25T05:15:33Z)
• Cybersecurity Detection Classification with Reasoning-enabled Language Models [50.72675435043546]
  セキュリティオペレーションセンター(SOC)の大きな問題は、警告疲労である。 以前の作業では、大きな言語モデル(LLM)がトリアージラベルを直接出力するように促すか、あるいは微調整するが、検出が真の脅威であるかどうかを判断するよう訓練することはない。 我々は、実際の人間ラベルのWindowsエンドポイント検出に対して、推論可能なトリアージ分類器(CoT)を訓練する。
  論文  参考訳（メタデータ） (2026-07-30T16:22:13Z)
• Token Budgets: An Empirical Catalog of 63 LLM-Agent Budget-Overrun Incidents, with an Affine-Typed Rust Mitigation as a Case Study [0.0]
  私たちは、アフィンのオーナシップを運用するRustクレートを構築して、クローン、ダブルスペンディング、あるいは予算の使用を委譲することで、オペレータが避けなければならないランタイムのハザードではなくコンパイルエラーを発生させます。 5つのランタイム、3つのプロバイダ、温度階層化されたライブAPIテストで、このアプローチでは、コンカレントワークと同等の動作で、キャップ違反がゼロで、偽の拒否がゼロであることを報告している。
  論文  参考訳（メタデータ） (2026-06-02T10:46:57Z)
• TRUST: A Framework for Decentralized AI Service v.0.1 [47.384270414446604]
  大規模推論モデル (LRM) とマルチエージェントシステム (MAS) は, 信頼性の高い検証を必要とする。 TRUST(Transparent, Robust, and Unified Services for Trustworthy AI)は,3つのイノベーションを備えた分散フレームワークである。 我々は、悪質な俳優が損失を被っている間、正直な監査人の利益を確実に確保する安全利益理論を証明する。
  論文  参考訳（メタデータ） (2026-04-29T19:32:58Z)
• Holistic Agent Leaderboard: The Missing Infrastructure for AI Agent Evaluation [87.47155146067962]
  数百のタスクで並列評価をオーケストレーションする,標準化された評価ハーネスを提供する。 モデル、足場、ベンチマークにまたがる3次元解析を行う。 私たちの分析では、ほとんどのランで精度を低下させる高い推論努力など、驚くべき洞察が示されています。
  論文  参考訳（メタデータ） (2025-10-13T22:22:28Z)
• On the Resilience of LLM-Based Multi-Agent Collaboration with Faulty Agents [58.79302663733703]
  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、専門家エージェントの協力により、様々なタスクにまたがる優れた能力を示している。 不器用なエージェントや悪意のあるエージェントが与える影響 - システム全体のパフォーマンスにおいて、頻繁にタスクでエラーを犯すものは、いまだに過小評価されていない。 本稿では,下流タスクにおける障害要因下での各種システム構造のレジリエンスについて検討する。
  論文  参考訳（メタデータ） (2024-08-02T03:25:20Z)
• Malicious Agent Detection for Robust Multi-Agent Collaborative Perception [52.261231738242266]
  多エージェント協調(MAC)知覚は、単エージェント認識よりも敵攻撃に対して脆弱である。 MAC知覚に特異的な反応防御であるMADE(Malicious Agent Detection)を提案する。 我々は、ベンチマーク3DデータセットV2X-simとリアルタイムデータセットDAIR-V2Xで包括的な評価を行う。
  論文  参考訳（メタデータ） (2023-10-18T11:36:42Z)

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。