論文の概要: VERA: Verifiable Feasibility Representations with Counterfactual Credit for Constrained Multi-Agent Control
- arxiv url: http://arxiv.org/abs/2609.38889v1
- Date: Wed, 30 Sep 2026 03:37:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:27.142616
- Title: VERA: Verifiable Feasibility Representations with Counterfactual Credit for Constrained Multi-Agent Control
- Title（参考訳）: VERA:制約付きマルチエージェント制御のための偽クレジットによる検証可能な可能性表現
- Abstract要約: 集中学習型分散実行フレームワークであるVERAを紹介する。
信用代入から可能性推定を分離する。
VERAは55.33%+/-3.60%の成功、0.45%+/-0.81%のカバレッジ違反がある。
- 参考スコア（独自算出の注目度）: 9.501098247724594
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Constrained multi-agent control requires more than predicting rewarding actions: an action can cease to be executable as contact windows, shared capacity, and deadlines change. We introduce VERA, a centralized-training, decentralized-execution framework that separates feasibility estimation from credit assignment. Each actor predicts a five-dimensional verifiable feasibility representation (VFR). After an action is proposed, exact action-conditioned margins available only during training supervise that representation, while a counterfactual group-relative advantage (CGRA) ranks candidate representation-action pairs. Execution uses one actor pass and no privileged state. In a dynamic space-air-ground integrated network (SAGIN), VERA obtains 55.33% +/- 3.60% success with 0.45% +/- 0.81% coverage violation, within 1.33 percentage points of a privileged-mask reference. With rewards matched over ten paired seeds, VERA improves success over the strongest baseline by 8.74 percentage points (p=0.023) and reduces violation by 52.19 percentage points (p=5.7e-8). A ten-seed 4-by-2 factorial attributes a 14.16-16.48 percentage-point gain to CGRA across handcrafted, learned, random, and latent representations; evaluation on seven unseen topologies preserves a 24.33-30.02 percentage-point advantage over multi-agent proximal policy optimization. From 10 to 40 users, success remains 50.1-53.8%, and VFR adds only 0.026 ms to a central processing unit (CPU) actor step. Cross-domain tests further identify the governing condition: counterfactual credit succeeds when candidate scores respect shared constraints and fails under incompatible reward geometries. These results establish action-conditioned feasibility as an auditable training interface and counterfactual credit as a geometry-dependent optimization mechanism.
- Abstract（参考訳）: 制限されたマルチエージェント制御は、報奨アクションの予測以上のものを必要とする: アクションは、連絡先ウィンドウ、共有容量、期限の変更として実行されなくなる。
我々は、信用代入から実現可能性の推定を分離する集中訓練・分散実行フレームワークであるVERAを紹介する。
各アクターは5次元検証可能性表現(VFR)を予測する。
アクションが提案された後、トレーニング中にのみ利用できる正確なアクション条件付きマージンは、その表現を監督し、対実的グループ相対的優位(CGRA)は、候補表現-アクションペアをランク付けする。
実行は1人のアクターパスを使用し、特権国家は使用しない。
ダイナミック・スペース・エア・グラウンド統合ネットワーク(SAGIN)では、VERAは55.33%+/-3.60%の成功と0.45%+/-0.81%のカバレッジ違反(特権マスク参照の1.33ポイント以内)を得る。
10対の種子に一致する報酬により、VERAは最強のベースラインよりも8.74ポイント(p=0.023)、違反率52.19ポイント(p=5.7e-8)で改善する。
10-seed 4-by-2 factorial attribute a 14.16-16.48 percentage-point gain to CGRA across handcrafted, learned, random, and latent representations; evaluation on 7 unseen topologies has maintain a 24.33-30.02 percentage-point advantage than multi-agent proximal policy optimization。
10人から40人まで、成功率は50.1-53.8%であり、VFRは中央処理ユニット(CPU)アクターステップに0.026msしか追加していない。
対実的信用は、候補者が共有制約を尊重し、非互換の報酬測度の下で失敗すると成功する。
これらの結果から, 聴覚訓練インタフェースとしての動作条件付き実現可能性, 幾何依存的な最適化機構としての対実クレジットが確立された。
関連論文リスト
- Separation of Duties for Privileged LLM Agents: A Governed Execution Architecture with Measured Security-Utility Trade-offs [0.0]
エージェントとオペレーティングシステムの間に4つの役割(プランナー、政策ゲート、執行役、監査役)を介するアーキテクチャについて検討する。
我々は8種類の313ケースのベンチマークで評価した。
論文 参考訳（メタデータ） (2026-09-28T05:32:17Z) - EvoSafeHarness: Evolving Model- and Domain-Specific Harnesses for Securing Agents [74.54929751174289]
EvoSafeHarnessは、ターゲットドメイン内の凍結モデルのためのデプロイ可能なハーネスを合成する、安全固有の最適化フレームワークである。
これは平均攻撃成功率を3.3ポイントのユーティリティコストで45.6%から10.0%に下げる。
また、Agent-SafetyBenchでは、すべての犠牲者に対してベストスコアを獲得している。
論文 参考訳（メタデータ） (2026-09-05T05:56:41Z) - Efficient GPU Retrieval for Semantic Search [11.631441668563802]
本稿では、LinkedInのポリシー整合型検索フレームワークを提案する。
軽量のシングルスロットStage-1スコアラは、ハイリコール候補を生成する。
21Kのホールドアウトクエリでは、この表現は一致した容量ベースラインに対するオフラインの関連性を改善する。
論文 参考訳（メタデータ） (2026-08-29T00:38:27Z) - Knowledge Index of Noah's Ark [63.143852586221534]
KINAは,261分野にわたる899項目のベンチマークである。
ボーナス・オン・バートーナメントがFOSDを弱く支配していることを示す。
トップモデルであるGemini-3.1-Pro-Previewは53.17%、Claude-Opus-4.6は49.92%、GPT-5.4は48.55%に達した。
論文 参考訳（メタデータ） (2026-06-03T17:06:49Z) - Converted, Not Equivalent: Benchmarking Codebase Conversion via Observational Equivalence [56.25095230687242]
コーディングエージェントは、しばしば自身のローカル検証ルーチンを過度に信頼し、表面チェックを満たすアーティファクトの成功を宣言する。
この問題は、事前評価が結果駆動である変換において特に深刻である。
ブラインド・コンバージョンは26.7-28.9%に達し、スペック・パスレートは91.1%まで上昇した。
このことは、失敗は限られた予算やバックボーンの強さよりも、契約ミスによる自己検証に起因していることを示唆している。
論文 参考訳（メタデータ） (2026-05-27T19:57:15Z) - Multi-Dimensional Behavioral Evaluation of Agentic Stock Prediction Systems Using Large Language Model Judges with Closed-Loop Reinforcement Learning Feedback [1.2362187555287152]
ファイナンスにおける予測評価は、ポイント予測エラーに基づく集計精度測定と予測精度テストに依存している。
本稿では,中間決定プロセス自体を評価することによって,精度試験を補完する行動予測評価手法を提案する。
論文 参考訳（メタデータ） (2026-05-07T06:31:34Z) - Evaluating Model-Free Policy Optimization in Masked-Action Environments via an Exact Blackjack Oracle [0.40611352512781873]
正確な動的プログラミング(DP)のオラクルは4600以上の標準決定セルから導出された。
この実験では、地上信頼行動値、最適ポリシーラベル、理論期待値(EV)が1人あたり0.00161である。
いずれの方法も重大な細胞条件の後悔を示し、ポリシーレベルのエラーを持続的に示していた。
論文 参考訳（メタデータ） (2026-03-19T09:08:59Z) - Towards a Science of Scaling Agent Systems [79.64446272302287]
エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。
協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。
ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
論文 参考訳（メタデータ） (2025-12-09T06:52:21Z)
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。