論文の概要: When Messages Go Wrong: Understanding Communication Faults in LLM-Based Multi-Agent Systems

• arxiv url: http://arxiv.org/abs/2610.15459v1
• Date: Sun, 11 Oct 2026 08:59:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.21449
• Title: When Messages Go Wrong: Understanding Communication Faults in LLM-Based Multi-Agent Systems
• Title（参考訳）: LLMベースのマルチエージェントシステムにおける通信障害の理解
• Abstract要約: 本稿では,LLM-MASにおけるコミュニケーション障害の出現,伝播,タスク結果への影響について,大規模な実証的研究を行った。 我々は,低スタック障害とアプリケーション可視障害を結びつけるクロス層分類を構築し,欠陥注入・トレースパイプラインを構築した。 完全な検出記録を持つ障害の20.7%が即時故障信号なしで発生し、部分コンテンツ障害の76.2%に達した。
• 参考スコア（独自算出の注目度）: 10.185090875234998
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLM-based multi-agent systems (LLM-MAS) use specialized agents that exchange messages to accomplish complex tasks. Their reliance on networked protocols, remote tools, and model endpoints exposes communication to message loss, delay, and context expiration. Because agents often exchange open-ended natural language, anomalies can alter task-relevant information while leaving messages processable, allowing semantic errors to propagate through subsequent interactions. Systematic studies of faults in inter-agent communication remain limited. This paper presents a large-scale empirical study of how communication faults manifest, propagate, and affect task outcomes in LLM-MAS. We construct a cross-layer taxonomy linking lower-stack disturbances to application-visible faults and develop a fault-injection and tracing pipeline. Our evaluation covers more than 29,000 executions across 100 tasks, five domains, three workflow topologies, and three model configurations. We find that 20.7% of failures with complete detection records occur without an immediate failure signal, reaching 76.2% for partial-content faults. Flat maintains 53.0% task success under communication faults, compared with 3.3% and 3.2% for Sequential and Hierarchical, respectively. This advantage primarily arises when an alternative information path preserves the evidence required by downstream agents. We also evaluate execution-side and evidence protection mechanisms and find that they recover different failure cases. Evidence recovery depends on whether trustworthy information remains accessible through an unaffected path. These observations provide empirical insights into communication-fault propagation, workflow resilience, and protection design for LLM-MAS.
• Abstract（参考訳）: LLMベースのマルチエージェントシステム(LLM-MAS)は、複雑なタスクを達成するためにメッセージを交換する特殊なエージェントを使用する。 ネットワーク化されたプロトコル、リモートツール、モデルエンドポイントへの依存は、メッセージの損失、遅延、コンテキストの有効期限への通信を公開する。 エージェントは、しばしばオープンな自然言語を交換するため、異常はメッセージが処理可能なままタスク関連情報を変更でき、後続のインタラクションを通じてセマンティックエラーが伝播する。 エージェント間通信における障害の体系的研究は依然として限られている。 本稿では,LLM-MASにおけるコミュニケーション障害の出現,伝播,タスク結果への影響について,大規模な実証的研究を行った。 我々は,低スタック障害とアプリケーション可視障害を結びつけるクロス層分類を構築し,欠陥注入・トレースパイプラインを構築した。 評価では、100タスクに29,000以上の実行、5つのドメイン、3つのワークフロートポロジ、3つのモデル構成をカバーしています。 完全な検出記録を持つ障害の20.7%が即時故障信号なしで発生し、部分コンテンツ障害の76.2%に達した。 フラットは通信障害下で53.0%のタスク成功を維持しており、SequentialとHierarchicalはそれぞれ3.3%と3.2%である。 この利点は、ダウンストリームエージェントが要求する証拠を保存する代替情報パスが主に発生する。 また,実行側およびエビデンス保護機構の評価を行い,異なる障害事例を回復することを確認した。 エビデンス・リカバリは、信頼に値する情報が影響を受けない経路でアクセス可能であるかどうかに依存する。 これらの観察は、LLM-MASのためのコミュニケーション・フォールト伝播、ワークフローのレジリエンス、および保護設計に関する実証的な洞察を提供する。

関連論文リスト

• 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)
• DoVer: Intervention-Driven Auto Debugging for LLM Multi-Agent Systems [48.971606069204825]
  DoVerは、大規模言語モデル(LLM)ベースのマルチエージェントシステムのための介入駆動デバッグフレームワークである。 ターゲットの介入を通じて、アクティブな検証によって仮説生成を増強する。 DoVerは失敗試験の18～28%を成功させ、最大16%のマイルストーンを達成し、失敗仮説の30～60%を検証または否定する。
  論文  参考訳（メタデータ） (2025-12-07T09:23:48Z)
• 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。