論文の概要: Error-Propagation Modeling for Failure Attribution in LLM-Based Multi-Agent Systems
- arxiv url: http://arxiv.org/abs/2610.11600v1
- Date: Thu, 08 Oct 2026 09:44:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:53.934857
- Title: Error-Propagation Modeling for Failure Attribution in LLM-Based Multi-Agent Systems
- Title（参考訳）: LLMに基づくマルチエージェントシステムにおける故障原因の誤り伝搬モデリング
- Abstract要約: この研究において、帰属ターゲットは決定的なエラーであり、エージェント-ステップペアとして定義され、修正が失敗した実行を回復する。
既存のアプローチは、インタラクション間でエラーがどのように伝播するかを明示的にモデル化したり、未解決のループで永続化したりすることなく、不審なステップをほとんど特定する。
textbfError- propagation textbfModeling for textbfFailure textbfAttribution (textbfEMFA)を提案する。
Who&Whenベンチマークでは、EMFAは最先端のステップレベルの属性の精度を達成し、残る。
- 参考スコア（独自算出の注目度）: 29.307319005914227
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: LLM-based multi-agent systems (MASs) are increasingly used to solve complex tasks through coordinated reasoning, tool use, and interaction with external resources. However, attributing failures in such systems remains challenging because the observed outcome often does not directly reveal the error responsible for the failed execution. In this work, the attribution target is the decisive error, defined as the agent--step pair whose correction would recover the failed execution. Existing approaches largely identify suspicious steps without explicitly modeling how errors propagate across interactions or persist in unresolved loops, making decisive errors difficult to distinguish from downstream failure symptoms. We propose \textbf{E}rror-Propagation \textbf{M}odeling for \textbf{F}ailure \textbf{A}ttribution (\textbf{EMFA}). EMFA constructs a structured representation of the failed trajectory, models both cascading propagation and persistent interaction loops, and uses propagation-aware candidate screening followed by counterfactual verification to identify the decisive agent--step pair. On the Who\&When benchmark, EMFA achieves state-of-the-art step-level attribution accuracy and remains competitive at the agent level. It improves the previous best step-level results by 3.45 and 4.40 percentage points on the Hand-Crafted and Algorithm-Generated subsets, respectively.
- Abstract（参考訳）: LLMベースのマルチエージェントシステム(MAS)は、コーディネート推論、ツールの使用、外部リソースとの相互作用を通じて複雑なタスクの解決にますます利用されている。
しかしながら、このようなシステムにおける失敗の原因は、観測結果が直接的に失敗の原因となるエラーを明らかにしないため、依然として困難なままである。
この研究において、帰属ターゲットは決定的なエラーであり、エージェント-ステップペアとして定義され、修正が失敗した実行を回復する。
既存のアプローチでは、インタラクション間でエラーがどのように伝播するか、未解決ループで持続するかを明示的にモデル化することなく、不審なステップをほとんど特定している。
本稿では, \textbf{F}ailure \textbf{A}ttribution (\textbf{EMFA}) に対する \textbf{E}rror-Propagation \textbf{M}odeling を提案する。
EMFAは、失敗した軌道の構造化された表現を構築し、カスケード伝搬と永続的相互作用ループの両方をモデル化し、伝播対応候補スクリーニングと偽事実検証を用いて決定的なエージェント-ステップペアを識別する。
Who\&Whenベンチマークでは、EMFAは最先端のステップレベルの属性の精度を達成し、エージェントレベルでの競争力を維持する。
これは、ハンドクラフトとアルゴリズム生成サブセットでそれぞれ3.45ポイントと4.40ポイント改善した。
関連論文リスト
- DCFA: Dual-view Causal-inspired Attribution for Failure Reasoning in LLM-based Multi-agent Systems [61.11435469308521]
大規模言語モデルシステムにおける障害帰属のためのトレーニング不要フレームワークDCFAを提案する。
DCFAは、システムトレースから構造化因果インスパイアされた依存性グラフを構築するグローバルモジュールを統合する。
実験の結果、DCFAは最先端のベースラインよりもステップレベルの精度を最大8.27%向上することが示された。
論文 参考訳（メタデータ） (2026-09-04T05:29:31Z) - 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) - Who Broke the System? Failure Localization in LLM-Based Multi-Agent Systems [9.458292549037155]
LLMに基づくマルチエージェントシステムにおける障害局所化の問題について検討する。
我々は、特定のエージェントと最初期の決定的なステップの両方に障害を属性付けるフレームワークであるAgentを提案する。
実験の結果、Agentは既存の障害ローカライゼーションメソッドを一貫して上回っていることがわかった。
論文 参考訳（メタデータ） (2026-07-08T23:33:49Z) - FALAT: Tracing Failures in LLM Agent Trajectories via Dependency-Guided Search [11.638321375070047]
LLMエージェントトラジェクトリにおける障害帰属の診断フレームワークであるFALATを提案する。
我々は、アルゴリズム生成と手作りのマルチエージェント障害軌跡を含むWho&WhenベンチマークでFALATを評価する。
論文 参考訳（メタデータ） (2026-05-30T15:11:35Z) - 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) - MAS-FIRE: Fault Injection and Reliability Evaluation for LLM-Based Multi-Agent Systems [38.44649280816596]
マルチエージェントシステムの障害注入と信頼性評価のための体系的フレームワークMAS-FIREを提案する。
エージェント内認知障害とエージェント間協調障害を対象とする15種類の障害分類を定義した。
MAS-FIREを3つの代表的なMASアーキテクチャに適用することにより、フォールトトレラントな動作の豊富なセットを明らかにする。
論文 参考訳（メタデータ） (2026-02-23T13:47:43Z) - 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) - Which Agent Causes Task Failures and When? On Automated Failure Attribution of LLM Multi-Agent Systems [50.29939179830491]
LLMマルチエージェントシステムにおける障害帰属は、まだ調査が過小評価されており、労働集約的である。
本稿では,3つの自動故障帰属手法の開発と評価を行い,その欠点と欠点を要約する。
最良の方法は、障害に応答するエージェントを特定する際に53.5%の精度を達成するが、故障の特定には14.2%しか役に立たない。
論文 参考訳（メタデータ） (2025-04-30T23:09:44Z)
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。