論文の概要: Know the Shape, Find the Fault: Topology-Conditioned Diagnosis of Multi-Agent LLM Failures

• arxiv url: http://arxiv.org/abs/2610.10126v1
• Date: Wed, 07 Oct 2026 14:07:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.953527
• Title: Know the Shape, Find the Fault: Topology-Conditioned Diagnosis of Multi-Agent LLM Failures
• Title（参考訳）: 形状を知る, 断層を見つける: 多エージェントLSM故障のトポロジ的診断
• Abstract要約: 通信トポロジは、エージェントが情報を交換する方法を捉え、調整失敗モードを区別するための構造的手がかりを提供する。 位相条件診断のための2段階フレームワークであるMAScopeを紹介する。 固定されたオーケストレーション構造の下では、回復したトポロジは実行中に再利用できる。
• 参考スコア（独自算出の注目度）: 10.1555426488293
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-agent LLM systems coordinate task execution through exchanges of information among agents. When coordination breaks down, similar symptoms in execution traces can reflect different problems in how information is passed, used, or verified. Communication topology captures how agents exchange information and provides structural cues for distinguishing coordination failure modes. Using these cues for diagnosis requires establishing how topology relates to failure patterns and recovering the relevant structure from execution traces that lack explicit topology labels. We analyze the relationship between communication topology and failure patterns and introduce MAScope, a two-stage framework for topology-conditioned diagnosis. Its Trace Structural Extractor TSE recovers communication topology from heterogeneous execution traces by grounding an interaction graph in message evidence. The Topology-Conditioned Judge TC-Judge then classifies failures using the trace, predicted topology, an empirical failure prior estimated from separate labeled traces, and a short description of topology-specific failure patterns. Under a fixed orchestration structure, the recovered topology can be reused across executions. Experimental results show a statistically significant association between communication topology and failure type, with $χ^2 = 409.9$ and $p = 1.2 \times 10^{-70}$. On the \num{851} MAST-clean traces, ground-truth topology context raises gpt-mini's Macro-F1 from $0.173$ to $0.350$. With predicted topology, the pipeline achieves $0.346$, approaching the trace-only gpt-5.4 baseline of $0.372$. For \num{1000} traces under a fixed orchestration structure, the projected pipeline cost, including one topology extraction, is approximately $6\%$ of repeated gpt-5.4 diagnosis cost. These results show that topology-conditioned context improves failure diagnosis and supports lower-cost deployment.
• Abstract（参考訳）: エージェント間の情報交換によるタスク実行を協調するマルチエージェントLLMシステム。 調整が中断すると、実行トレースに類似した症状は、どのように情報が渡されるか、使用されるか、検証されるかの異なる問題を反映する。 通信トポロジは、エージェントが情報を交換する方法を捉え、調整失敗モードを区別するための構造的手がかりを提供する。 これらの診断方法を使用することで、トポロジが障害パターンとどのように関係しているかを確立し、明確なトポロジラベルを持たない実行トレースから関連する構造を復元する必要がある。 通信トポロジと障害パターンの関係を解析し、トポロジ条件付き診断のための2段階フレームワークであるMAScopeを導入する。 そのTrace Structure Extractor TSEは、メッセージエビデンスに相互作用グラフを接地することで、不均一な実行トレースから通信トポロジを回復する。 その後、Topology-Conditioned Judge TC-Judgeは、トレース、予測トポロジ、ラベル付きトレースから推定される経験的失敗、およびトポロジ固有の障害パターンの短い記述を用いて、障害を分類する。 固定されたオーケストレーション構造の下では、回復したトポロジは実行中に再利用できる。 実験の結果、通信トポロジと障害タイプとの間には統計的に有意な相関が見られ、$ ^2 = 409.9$ および $p = 1.2 \times 10^{-70}$ となる。 num{851} の MAST-clean トレースでは、グラウンドトルーストポロジーの文脈は gpt-mini の Macro-F1 を 0.173$ から $0.350$ に上げる。 予測トポロジーにより、パイプラインは0.346$に達し、トレースのみのgpt-5.4ベースラインである0.372$に近づいた。 固定されたオーケストレーション構造の下での \num{1000} トレースの場合、1つのトポロジ抽出を含む予測パイプラインコストは約 6\% の繰り返し gpt-5.4 診断コストである。 これらの結果は、トポロジ条件付きコンテキストが故障診断を改善し、低コストなデプロイメントをサポートすることを示している。

関連論文リスト

• Fantastic Adaptive Taxonomies and How to Use Them [100.20614173157708]
  AdaMASTは、実行トレースをコンパクトでエビデンスに基づく障害分類に変換する。 コードには手書きのコードはなく、人間による注釈もない。 エージェント・システム・サーチでは、失敗候補の分類コード診断が自由形式より優れている。
  論文  参考訳（メタデータ） (2026-07-17T17:41:16Z)
• PropLLM: Propagation-Aware Scene Reconstruction for Network Fault Diagnosis [13.502332249072696]
  本稿では,最初にホップ・バイ・ホップのシーン再構築パラダイムとLLMの生成的推論能力を統合するPropLLMを提案する。 実世界のWi-Fiマルチモーダル障害データセットでは、PropLLMは障害タイプ診断の精度を3.9%改善し、根本原因のローカライゼーションの精度は4.7%向上した。
  論文  参考訳（メタデータ） (2026-05-30T07:18:42Z)
• TopoEvo: A Topology-Aware Self-Evolving Multi-Agent Framework for Root Cause Analysis in Microservices [10.602349579405832]
  根本原因分析(RCA)はノイズや異種多モード可観測性のために困難である。 近年のLCMをベースとしたRCAエージェントは、ツールグラウンドによる説明を生成できるが、トポロジーに依存しないことが多い。 グラフ表現学習を構造化されたトポロジ制約推論と組み合わせたトポロジ対応の自己進化型マルチエージェントである textbfTopoEvo を提案する。
  論文  参考訳（メタデータ） (2026-05-15T04:45:44Z)
• Correction and Corruption: A Two-Rate View of Error Flow in LLM Protocols [51.56484100374058]
  そこで本研究では,単一プロトコルステップを正確なマッチングタスクで監査するためのペアアウトカム計測インタフェースを提案する。 各インスタンスについて、インターフェースはベースラインの正当性ビットと後ステップの正当性ビットを記録する。 これらのレートは精度の変化を予測し、種、混合物、パイプライン間でテスト可能な再利用可能な経験的インターフェースを定義する。
  論文  参考訳（メタデータ） (2026-04-20T13:25:40Z)
• Topo-R1: Detecting Topological Anomalies via Vision-Language Models [42.86510112477789]
  トポロジカルな正確性は、血管、神経線維、道路網などの構造にとって重要である。 我々は,様々なトポロジ的異常を検証可能なアノテーションで合成する自動データキュレーションパイプラインを開発した。 次に、トポロジを意識した視覚言語モデルを実現するフレームワークであるTopo-R1を紹介する。
  論文  参考訳（メタデータ） (2026-03-13T15:05:04Z)
• Arbiter: Detecting Interference in LLM Agent System Prompts [0.0]
  Arbiterは、システムプロンプト内の干渉パターンを検出するために、形式的評価ルールとマルチモデルLCMスカーリングを組み合わせたフレームワークである。 Claude Code (Anthropic), Codex CLI (OpenAI), Gemini CLI (Google)の3つの主要なコーディングエージェントシステムに適用される。
  論文  参考訳（メタデータ） (2026-03-09T22:29:47Z)
• Spectral Archaeology: The Causal Topology of Model Evolution [0.0]
  振る舞いベンチマークは、モデルが何をするかをTextithowに教えてくれますが、textithowではありません。 本研究では,アテンショングラフスペクトルを用いた無トレーニングメカニスティックプローブを提案する。 12のモデルと10の言語にまたがって、標準評価で欠落した不連続を露呈する「安定な指紋」が得られる。
  論文  参考訳（メタデータ） (2026-01-06T21:26:54Z)
• Counterfactual Intervention Feature Transfer for Visible-Infrared Person Re-identification [69.45543438974963]
  視覚赤外人物再識別タスク(VI-ReID)におけるグラフベースの手法は,2つの問題により,悪い一般化に悩まされている。 十分に訓練された入力特徴は、グラフトポロジーの学習を弱め、推論過程において十分に一般化されない。 本稿では,これらの問題に対処するためのCIFT法を提案する。
  論文  参考訳（メタデータ） (2022-08-01T16:15:31Z)
• DOTS: Decoupling Operation and Topology in Differentiable Architecture Search [115.89211594258573]
  微分可能なアーキテクチャ探索 (DARTS) は, 細胞構造探索の効率性から注目されている。 本稿では,オペレーティング・アンド・トポロジー・サーチ(DOTS)を分離して,明確なトポロジー・サーチを提案する。
  論文  参考訳（メタデータ） (2020-10-02T13:00:18Z)
• Self-Learning with Rectification Strategy for Human Parsing [73.06197841003048]
  擬似ラベルの2つの典型的な誤りを補正する訓練可能なグラフ推論法を提案する。 再構成された特徴は、人体のトポロジー構造を表現する能力が強い。 本手法は、教師付き人間の解析作業において、他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-04-17T03:51:30Z)

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。