論文の概要: BRIDGE: Selective Boundary Repair with Dependency Graph Evidence in Multi-Agent Systems
- arxiv url: http://arxiv.org/abs/2610.17805v1
- Date: Tue, 13 Oct 2026 06:31:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 17:07:47.98572
- Title: BRIDGE: Selective Boundary Repair with Dependency Graph Evidence in Multi-Agent Systems
- Title（参考訳）: BRIDGE:マルチエージェントシステムにおける依存グラフエビデンスを用いた選択境界修復
- Abstract要約: methodは、ハンドオフ修復を明示的な依存性の摂動に対する選択的介入として扱うランタイム制御フレームワークである。
SILO-BENCHでは12.3パーセンテージ、TeamBenchでは11.1ポイントまでタスクの成功を加速させる。
- 参考スコア（独自算出の注目度）: 59.26551527044981
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-agent collaboration has emerged as a critical paradigm for tackling complex, long-horizon tasks; however, while coordination protocols continue to advance, systemic failures at the inter-agent collaboration interface remain a pervasive bottleneck. In collaborative workflows, systems frequently suffer from \emph{broken handoffs}---where critical task context is omitted, misrouted, or ignored despite each agent emitting locally plausible responses. To address this challenge, we present \method, a verifiable runtime control framework that treats handoff repair as selective intervention over explicit dependency graphs. Central to \method is an integrated fault-attribution and calibration pipeline, \dataset, which decouples execution dependencies and injects counterfactual handoff perturbations to provide empirical supervision for runtime intervention. Leveraging this diagnostic foundation, \method dynamically compiles observable interaction traces into a provenance graph to pinpoint unresolved dependencies, without accessing private agent states. It then evaluates candidate repairs through an empirical gate that weighs expected gains against disruption risks, and executes repairs only when formal local postconditions hold. Extensive evaluations across demanding benchmarks demonstrate that \method boosts task success by up to 12.3 absolute percentage points on SILO-BENCH and 11.1 on TeamBench. Across both backbones, \method maintains strict cost-effectiveness, adding as little as 2.0\% marginal token overhead. Furthermore, on 562 handoff-relevant traces from the MAST benchmark, \method achieves 69.8\% F1 in a single pass, establishing a reliable operational boundary for verifiable coordination repair.
- Abstract（参考訳）: マルチエージェント・コラボレーションは、複雑な長期的タスクに対処するための重要なパラダイムとして現れてきたが、コーディネーションプロトコルが進歩を続ける一方で、エージェント間コラボレーションインターフェースにおけるシステム的障害が広範にボトルネックとなっている。
協調ワークフローでは、システムは「emph{broken handoffs}」に悩まされることが多い。
この課題に対処するために,手作業の修復を明示的な依存性グラフに対する選択的介入として扱う,検証可能なランタイム制御フレームワークである \method を提案する。
このパイプラインは実行依存関係を分離し、実行時の介入に対して実証的な監視を提供するために、偽のハンドオフ摂動を注入する。
この診断基盤を活用することで、Shamethodは、プライベートエージェントの状態にアクセスすることなく、観測可能なインタラクショントレースをプロファイランスグラフに動的にコンパイルし、未解決の依存関係をピンポイントする。
次に、破壊リスクに対して期待される利得を測る実証ゲートを通じて、候補の修復を評価し、正式なローカルな条件が保たれた場合にのみ修理を実行する。
要求されるベンチマークの広範な評価は、‘method’がSILO-BENCHの12.3ポイント、TeamBenchの11.1ポイントまでタスクの成功を加速させることを示している。
両バックボーン全体では,‘method’は厳格なコスト効率を維持し,最大2.0\%のトークンオーバーヘッドを追加する。
さらに、MASTベンチマークの562のハンドオフ関連トレースでは、1回のパスで69.8\% F1を達成した。
関連論文リスト
- Error-Propagation Modeling for Failure Attribution in LLM-Based Multi-Agent Systems [29.307319005914227]
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。
論文 参考訳（メタデータ） (2026-10-08T09:44:59Z) - MeshHeal: Two-Timescale Self-Healing for Gray Failures in Decentralized LLM Agent Networks [60.95806999869478]
MeshHealは、完全に分散化された自己修復フレームワークである。
能力にマッチしたピアレビューを2つのタイムスケールに分けている。
1タスクあたり51kのトータルモデルトークンを使用して0.839の劣化位相精度を達成し、最強のベースラインでは1タスクあたり115kの0.807の精度を達成した。
論文 参考訳（メタデータ） (2026-09-24T04:29:37Z) - 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) - Self-Healing Agentic Orchestrators for Reliable Tool-Augmented Large Language Model Systems [0.10210859604701106]
セルフヒーリングエージェントオーケストレータは、信頼性をランタイム境界制御問題として扱う。
セルフヒーリングは98.8%のタスク成功を達成し、リトライオンリーでは94.5%、フルリプランでは93.8%を達成している。
論文 参考訳（メタデータ） (2026-05-31T19:27:22Z) - ClawForge: Generating Executable Interactive Benchmarks for Command-Line Agents [59.626170560327274]
textbfClawForgeは、ステートコンフリクト下で実行可能なコマンドラインカテゴリのためのジェネレータベースのベンチマークフレームワークである。
私たちはこのフレームワークをClawForge-Bench(17のシナリオ、6の能力カテゴリ)としてインスタンス化します。
論文 参考訳（メタデータ） (2026-05-13T21:34:08Z) - TopoPilot: Reliable Conversational Workflow Automation for Topological Data Analysis and Visualization [4.62716665682001]
TopoPilotは、複雑な科学的視覚化を自動化するための信頼性が高くエージェント的なフレームワークである。
TopoPilotは、信頼性の高い運用を保証するために、系統的なガードレールと検証メカニズムを組み込んでいる。
評価では、TopoPilotは99%以上の成功率を達成したが、ベースラインでは50%以下で、包括的なガードレールやチェックがない。
論文 参考訳（メタデータ） (2026-03-26T05:56:53Z) - A Trace-Based Assurance Framework for Agentic AI Orchestration: Contracts, Testing, and Governance [0.22940141855172028]
本稿では,Large Language Models (LLM) を用いたエージェントAIシステムの保証フレームワークを提案する。
実行は、明示的なステップとトレースコントラクトを備えたメッセージ・アクション・トレース(MAT)として実装される。
このフレームワークは、有界摂動に対する予算付き反例探索として定式化されたストレステストを含む。
論文 参考訳（メタデータ） (2026-03-18T10:23:48Z) - Automatic Failure Attribution and Critical Step Prediction Method for Multi-Agent Systems Based on Causal Inference [8.823529310904162]
マルチエージェントシステム(MAS)は複雑なタスクの自動化に不可欠であるが、その実践的展開は障害帰属の課題によって妨げられている。
マルチグラニュラリティ因果推論に基づくMASのための最初の失敗帰属フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-10T15:22:00Z)
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。