論文の概要: Concealing LLM-Based Multi-Agent Topology via Phantom Structure Injection

• arxiv url: http://arxiv.org/abs/2609.37567v1
• Date: Tue, 29 Sep 2026 13:35:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.56493
• Title: Concealing LLM-Based Multi-Agent Topology via Phantom Structure Injection
• Title（参考訳）: ファントム構造注入によるLLMに基づくマルチエージェントトポロジー
• Abstract要約: マルチエージェントシステム(MAS)の鍵となる設計要素は、エージェント間の情報フローを管理する通信トポロジーである。 近年の研究では、ブラックボックスの設定でもそのようなトポロジを推測できることが示されており、知的財産の漏洩やシステムの脆弱性の暴露の重大なリスクが指摘されている。 本稿では,タスク実行のための真のコミュニケーショントポロジを,対向するセマンティックエビデンスを形作りながら保持するトポロジ・コンセンサメント・フレームワークであるMIRAGEを提案する。
• 参考スコア（独自算出の注目度）: 16.46873802464745
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Driven by the rapid advancement of large language models (LLMs), LLM-based multi-agent systems (MAS) have emerged as a powerful paradigm for collaborative reasoning over complex tasks. A key design element of MAS is the communication topology, which governs information flow among agents and often encodes proprietary knowledge about the system architecture. However, recent work has shown that such topologies can be inferred even in black-box settings by exploiting semantic dependencies in observable reasoning traces, posing significant risks of intellectual property leakage and exposure of system vulnerabilities. To address this threat, we propose MIRAGE, a topology-concealment framework that preserves the genuine communication topology for task execution while shaping adversary-facing semantic evidence toward a carefully constructed phantom topology. Specifically, MIRAGE operates in three stages: (1) phantom topology synthesis, (2) semantic edge realization, and (3) protected MAS execution. It constructs a phantom topology structurally distinct from the genuine one, materializes phantom edges as plausible semantic dependencies, and suppresses source-specific cues that could reveal genuine edges absent from the phantom topology. Extensive experiments across three topology optimization frameworks and four benchmark datasets demonstrate that MIRAGE substantially reduces the effectiveness of topology inference attacks while largely preserving the task utility of the protected MAS.
• Abstract（参考訳）: 大規模言語モデル(LLM)の急速な進歩により、LLMベースのマルチエージェントシステム(MAS)は複雑なタスクに対する協調推論のための強力なパラダイムとして登場した。 MASの重要な設計要素は通信トポロジであり、エージェント間の情報の流れを制御し、しばしばシステムアーキテクチャに関する独自の知識を符号化する。 しかし、近年の研究は、観測可能な推論トレースのセマンティック依存関係を利用してブラックボックス設定でもそのようなトポロジを推測できることを示し、知的財産の漏洩やシステムの脆弱性の暴露の重大なリスクを生じさせている。 この脅威に対処するため,本研究では,真にコミュニケーショントポロジを保持するトポロジ・コンセプション・フレームワークであるMIRAGEを提案する。 具体的には,(1)ファントムトポロジ合成,(2)意味的エッジの実現,(3)保護的MAS実行の3段階で動作する。 ファントムトポロジーは、本来のものと構造的に異なるファントムトポロジーを構築し、ファントムトポロジーから欠落した真のエッジを明らかにすることができるソース固有の手がかりを抑える。 3つのトポロジ最適化フレームワークと4つのベンチマークデータセットにわたる大規模な実験により、MIRAGEは、保護されたMASのタスクユーティリティを多く保持しながら、トポロジ推論攻撃の有効性を大幅に低減することを示した。

関連論文リスト

• Reasoning Topology Matters: A Controlled Study of LLM-Based Cybersecurity Analysis [0.685068326729525]
  セキュリティ推論トポロジーを導入し、線形、分岐、グラフの3つの代表構造をモデル化する。 我々は、MITRE ATT&CKネットワークトラフィック、サイバー脅威インテリジェンス(CTI)、CVE脆弱性分析を含む3つのサイバーセキュリティデータセットの実験を行った。 結果から、グラフ推論は、データセット全体で9.8-12.2ポイントのプロンプトにより、いくつかのショットよりも改善され、全体的な精度が最も高いことが示されている。
  論文  参考訳（メタデータ） (2026-09-21T14:52:30Z)
• Provably Secure Agent Guardrail [89.79561918065122]
  既存の防衛アーキテクチャは経験的セマンティックガードレールと確率論的大モデル調整器に依存している。 本稿では,論理的推論の基本的制約に基づくエージェントのための新しいセキュリティパラダイムを提案する。
  論文  参考訳（メタデータ） (2026-05-28T02:12:41Z)
• Beyond the Aggregation Dilemma: Prior-Retaining Decoupled Learning for Multimodal Graphs [69.56407708794845]
  MultimodalAttributed Graph Learning (MAGL)はグラフアグリゲーションを通じてノード属性と構造トポロジーを統合する。 事前訓練されたエンコーダがLarge Foundation Models (LFM) へと進化するにつれて、MAGLのランドスケープは根本的に変化していく。 高信頼のLFM先行の下では、強制集約は、識別シグナルを圧倒するトポロジカル固有のノイズを導入する。 本稿では、分離されたデュアルパスパラダイムであるSUPRA(Shared-Unique Prior-Retaining Architecture)を提案する。 SUPRAは、トポロジ・アグノシクスによるモーダリティ特異的な特徴を処理し、軽量共有GNNを介して構造相乗効果を捉え、補助的な深層監視対策の勾配飢餓を発生させる。
  論文  参考訳（メタデータ） (2026-05-23T17:42:25Z)
• PRISM: : Planning and Reasoning with Intent in Simulated Embodied Environments [59.07829883257003]
  5つの集合住宅の上に建設され、PRISMは300の人間認証タスクを3つの能力レベルに構成する。 PRISMはエージェントに依存しない実行可能なアクションAPIを公開し、任意のエージェントをエンドツーエンドで評価できるようにする。
  論文  参考訳（メタデータ） (2026-05-12T04:59:47Z)
• OMG-Agent: Toward Robust Missing Modality Generation with Decoupled Coarse-to-Fine Agentic Workflows [9.617220633655716]
  textbfunderlineOmni-textbfunderlineModality textbfunderlineGeneration Agent (textbfOMG-Agent)について述べる。
  論文  参考訳（メタデータ） (2026-02-04T02:25:40Z)
• Explainable and Fine-Grained Safeguarding of LLM Multi-Agent Systems via Bi-Level Graph Anomaly Detection [76.91230292971115]
  大規模言語モデル (LLM) に基づくマルチエージェントシステム (MAS) は複雑なタスクを解く上で強力な能力を示している。 XG-Guardは、MAS内の悪意のあるエージェントを検出するための、説明可能な、きめ細かい保護フレームワークである。
  論文  参考訳（メタデータ） (2025-12-21T13:46:36Z)
• Topology Matters: Measuring Memory Leakage in Multi-Agent LLMs [26.288357188171265]
  MAMA(Multi-Agent Memory Attack)は、ネットワーク構造がどのように漏洩を形作るかを測定するフレームワークである。 我々は,攻撃剤出力から回収した地絡PIIの割合として漏洩を定量化する。 結果は、アーキテクチャ上の選択から測定可能なプライバシリスクへの最初の体系的なマッピングを提供する。
  論文  参考訳（メタデータ） (2025-12-04T11:00:49Z)
• Topological Structure Learning Should Be A Research Priority for LLM-Based Multi-Agent Systems [69.95482609893236]
  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(MAS)は、協調的な知性によって複雑なタスクに取り組むための強力なパラダイムとして登場した。 我々は,エージェント間相互作用の構造を明示的にモデル化し,動的に最適化する,エフェトロジーを意識したMASへのパラダイムシフトを求める。
  論文  参考訳（メタデータ） (2025-05-28T15:20:09Z)
• From Objects to Events: Unlocking Complex Visual Understanding in Object Detectors via LLM-guided Symbolic Reasoning [71.41062111470414]
  現在のオブジェクト検出器は、エンティティのローカライゼーションと分類において優れているが、イベント認識機能には固有の制限がある。 本稿では,単なるオブジェクト認識以上の標準オブジェクト検出能力を,複雑なイベント理解に拡張する新しいフレームワークを提案する。 私たちの重要なイノベーションは、高価なタスク固有のトレーニングを必要とせずに、オブジェクト検出とイベント理解のセマンティックなギャップを埋めることです。
  論文  参考訳（メタデータ） (2025-02-09T10:30:54Z)

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。