論文の概要: When LLM Agents See a Conflict but Still Proceed: Cross-Domain Dependencies in Network Slicing

• arxiv url: http://arxiv.org/abs/2610.17118v1
• Date: Mon, 12 Oct 2026 17:10:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.425087
• Title: When LLM Agents See a Conflict but Still Proceed: Cross-Domain Dependencies in Network Slicing
• Title（参考訳）: LLMエージェントが相反するがまだ証明されていない場合:ネットワークスライシングにおける相互依存
• Abstract要約: 将来のAIネイティブネットワークは、意図を通じてネットワーク管理に大規模言語モデル(LLM)上に構築された自律エージェントを適用するように設計されている。 保護トラフィックのバックアップスライスに電力ユーティリティがアクティブなインテントを保持するスマートグリッドのユースケースを用いてこの問題を調査する。 AIネイティブネットワークでは、ドメイン間の依存関係の可視性は十分に保護されていない。
• 参考スコア（独自算出の注目度）: 1.1602089225841632
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Future AI-native networks are being designed to apply autonomous agents built on large language models (LLMs) in network management through intents. When intents from different domains meet on the same resource, an agent must recognize the cross-domain dependency before taking an irreversible action. We investigate this problem through a smart-grid use case, in which a power utility holds an active intent on a backup slice for protection traffic. This slice appears idle by design, which is precisely the profile targeted by a cost-reduction intent. We built a tool-based environment in which the dependency must be either queried by the agent or read from an inventory annotation, together with a negative control, and evaluated ten models from four different providers in 600 runs. Most models acted against the dependency they had observed: seven of the ten models removed the protection slice at least once after receiving the cross-domain dependency, and in the high-harm tier the slice was removed in 76% of the exposed runs, while four models practically never did. Only one of ten models never removed the slice. We identify two failure modes, not querying the dependency and querying it but proceeding anyway, and show that agents often reported no conflict after observing it. These results indicate that, in AI-native networks, visibility of cross-domain dependencies is not a sufficient safeguard, and that dependency verification should be enforced by the management architecture before irreversible actions rather than delegated to the LLM's judgment.
• Abstract（参考訳）: 将来のAIネイティブネットワークは、意図を通じてネットワーク管理に大規模言語モデル(LLM)上に構築された自律エージェントを適用するように設計されている。 異なるドメインからのインテントが同じリソース上で一致する場合、エージェントは不可逆的なアクションを取る前に、ドメイン間の依存性を認識する必要がある。 保護トラフィックのバックアップスライスに電力ユーティリティがアクティブなインテントを保持するスマートグリッドのユースケースを用いてこの問題を調査する。 このスライスのデザインは、正確にはコスト削減の意図によるプロファイルである。 私たちは、ツールベースの環境を構築しました。依存関係はエージェントによってクエリされたり、在庫のアノテーションから読み出されて、ネガティブなコントロールとともに、600ランで4つの異なるプロバイダから10のモデルを評価しなければなりません。 10モデルのうち7モデルがクロスドメイン依存を受け取った後、少なくとも1回は保護スライスを取り除き、ハイハーム層では露出したランニングの76%でスライスを取り除いた。 10台のうち1台しかスライスを外さなかった。 私たちは2つの障害モードを特定し、依存関係をクエリしてクエリするのではなく、いずれにせよ処理を進めます。 これらの結果は、AIネイティブネットワークでは、ドメイン間の依存関係の可視性は十分に保護されていないことを示し、依存関係の検証はLCMの判断に委譲されるのではなく、管理アーキテクチャによって強制されるべきであることを示している。

関連論文リスト

• Recognition Without Enforcement: Configuration-Dependent Failures in LLM Agent Instruction Arbitration and External Control [0.0]
  LLMエージェントはシステムプロンプト、ユーザ、メモリ、ツールから命令を仲裁するが、この仲裁は信頼境界を強制するものではない。 ソースフォーマット機能はモデルアクティベーションから線形にデオード可能であり、モデルがトリガーされたときの偽の権威を明示的に識別することができる。 モデル自己配置をセキュリティ境界ではなく機能として扱い、認証されたソースルーティングと機能限定ツールの実行を組み合わせた外部参照モニタを実装します。
  論文  参考訳（メタデータ） (2026-08-28T16:34:05Z)
• ROPE: Routed Origin Policy Enforcement against Indirect Prompt Injection [61.4148196085256]
  本稿では,信頼という構造概念に根ざしたROPE(Routed Origin Policy Enforcement)について述べる。 提案手法では,(1)軌道の各段階において,攻撃可能コンテンツのみを起点とする値が,原点保護パラメータに到達しない,(2)注入のリワードがない,という2つの保証が認められている。
  論文  参考訳（メタデータ） (2026-08-27T01:22:14Z)
• LMSM: LLM Security Framework Inspired by Linux Security Modules [56.93644694627783]
  大規模言語モデル(LLM)は階層化されたディフェンスでデプロイされることが多いが、悪意のあるプロンプトはそれらをバイパスすることができる。 我々は,Language Model Security Modules (LMSM) という,Linux Security Modules (LSM) の背後にある分離を LLM サービスに適応させるセキュリティフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-26T12:13:05Z)
• Architectural Backdoors in Vision-Language Model Supply Chains via Representation Steering [9.737607721974664]
  ビジョン-言語モデル(VLM)はモデルサプライチェーンを通じてますます展開される。 本稿では,VLMサプライチェーンにアーキテクチャバックドアを埋め込むことで,悪意のあるプロバイダがこの信頼境界を活用できることを示す。
  論文  参考訳（メタデータ） (2026-07-28T09:12:11Z)
• A Decision-Centered Reference Architecture for Trustworthy Agentic Commerce [0.0]
  エージェントコマースは、エージェントショッピングを、ポリシーを解釈し、チェックアウトを準備し、トランザクション対応言語を生成し、委譲された支払い権限の下で行動するソフトウェアエージェントに拡張する。 本研究では,標準エンベロープを中心に構築されたプロトコルに依存しないアーキテクチャ,保護された依存性と結果,Ed25519あるいはHMAC認証,ライブ要求リバインド,7軸生成ゲート,実行時依存性再検証,セマンティック不変量について述べる。
  論文  参考訳（メタデータ） (2026-07-20T08:33:31Z)
• When Agents Do Not Stop: Uncovering Infinite Agentic Loops in LLM Agents [7.986500985812644]
  私たちはこの問題をInfinite Agentic Loops (IALs)と呼んでいる。 IALはエージェントロジック、フレームワークセマンティクス、実行時の観察、終了メカニズム間の相互作用から生まれる。 本研究では,実世界のLLMエージェントプロジェクトにおけるALF検出のための静的解析ツールであるIAL-Scanを提案する。
  論文  参考訳（メタデータ） (2026-07-02T03:14:27Z)
• Lingering Authority: Revocable Resource-and-Effect Capabilities for Coding Agents [0.0]
  PortICOは、プランナーに露出する機能のリファレンスモニターである。 明示的なタスクコントラクトを初期機能にコンパイルし、ルールを付与し、信頼できるクロージャ述語、グローバルな否定ルールを付与する。
  論文  参考訳（メタデータ） (2026-06-21T13:52:37Z)
• Self-Purification Mitigates Backdoors in Multimodal Diffusion Language Models [74.1970982768771]
  確立されたデータポゾンパイプラインは,MDLMにバックドアを埋め込むことに成功した。 拡散自己浄化(Diffusion Self-Purification)と呼ばれるMDLMのバックドア防御フレームワークについて紹介する。
  論文  参考訳（メタデータ） (2026-02-24T15:47:52Z)
• CREDIT: Certified Ownership Verification of Deep Neural Networks Against Model Extraction Attacks [54.04030169323115]
  我々は、モデル抽出攻撃(MEA)に対する認証された所有権検証であるCREDITを紹介する。 DNNモデル間の類似性を定量化し、実用的な検証しきい値を提案し、このしきい値に基づいてオーナシップ検証を行うための厳密な理論的保証を提供する。 我々は、さまざまなドメインやタスクにまたがるいくつかの主流データセットに対するアプローチを広範囲に評価し、最先端のパフォーマンスを実現した。
  論文  参考訳（メタデータ） (2026-02-23T23:36:25Z)
• Online Multi-Object Tracking with Unsupervised Re-Identification Learning and Occlusion Estimation [80.38553821508162]
  異なるオブジェクト間のオクルージョンは、MOT(Multi-Object Tracking)の典型的な課題である 本稿では,これらの問題に対処する2つの新しいモジュールを設計し,オンラインマルチオブジェクト追跡に焦点を当てる。 提案した教師なし再識別学習モジュールは、(疑似)識別情報を一切必要とせず、スケーラビリティの問題に悩まされることもない。 本研究は、最先端MOT法に適用した場合、教師なし再識別学習は教師なし再識別学習に匹敵するものであることを示す。
  論文  参考訳（メタデータ） (2022-01-04T18:59:58Z)
• Discriminator-Free Generative Adversarial Attack [87.71852388383242]
  生成的ベースの敵攻撃は、この制限を取り除くことができる。 ASymmetric Saliency-based Auto-Encoder (SSAE) は摂動を生成する。 SSAEが生成した敵の例は、広く使われているモデルを崩壊させるだけでなく、優れた視覚的品質を実現する。
  論文  参考訳（メタデータ） (2021-07-20T01:55:21Z)

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。