論文の概要: The End of Consensus Research?

• arxiv url: http://arxiv.org/abs/2610.30114v1
• Date: Wed, 21 Oct 2026 17:55:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.467416
• Title: The End of Consensus Research?
• Title（参考訳）: 合意研究の終わり?
• Abstract要約: 我々は、ジオレプリケーションステートマシンのための新しいコンセンサスプロトコルであるA-greementの発見にAIがどのように役立ったか報告する。 5から9のレプリカを持つ6つのデプロイメントの平均として、A-greementは、地理的に分散したキーバリューストアの平均遅延を最速のベースラインで低減する。 A-greementはリース認可のローカル読み取り、リーダ順序の書き込みのためのダイレクトクライアント学習、高速な固定クォーラム/キー書き込みパスを組み合わせたものだ。
• 参考スコア（独自算出の注目度）: 14.509254215314177
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Consensus is a fundamental problem in distributed computing and at the core of state machine replication (SMR). Despite decades of active human research, discovering practical low-latency solutions to the problem is still open, as it requires combining protocol knowledge, correctness reasoning, implementation, and experimental evaluation. We report on how AI helped us discover A-greement, a new consensus protocol for geo-replicated state machines that significantly outperforms state-of-the-art solutions. Averaged across six deployments with 5 or 9 replicas, A-greement reduces the mean latency of a geo-distributed key-value store over the fastest baseline by 12.2% and 33.3% on write-heavy and read-heavy workloads, respectively, and matches the fastest baseline on read-only workloads. A-greement combines lease-authorized local reads, direct client learning for leader-ordered writes, and a fast fixed-quorum per-key write path, selected according to network topology and workload. At the heart of our discovery lies AI-greement, an agent harness for the "autonomous" discovery, implementation, experimentation, and verification of candidate protocols. AI-greement integrates (1) a concept-oriented protocol knowledge base, (2) a modular implementation skeleton, and (3) a Lean-based verification framework with reusable safety definitions, reference specifications, and proofs. AI-greement is of independent interest: its Lean formalization uncovers several previously unreported vulnerabilities in existing consensus protocols, and it provides guidelines on how domain-specific harnesses can turn general-purpose coding agents into effective tools for (distributed) computing research. Yet we argue that human consensus experts remain essential before, during, and after the search: agents reshape the researcher's role rather than end consensus research.
• Abstract（参考訳）: コンセンサスは分散コンピューティングにおける基本的な問題であり、ステートマシンレプリケーション(SMR)の中核にある。 数十年にわたる活発な人間の研究にもかかわらず、プロトコル知識、正確性推論、実装、実験的な評価を組み合わせなければならないため、この問題に対する実用的な低レイテンシのソリューションを見つけることは依然としてオープンである。 我々は、AIがA-greementの発見にどう役立ったか報告する。これは、ジオレプリケーションされたステートマシンのための新しいコンセンサスプロトコルで、最先端のソリューションを大幅に上回っている。 5または9のレプリカを持つ6つのデプロイメントの平均で、A-greementは、ジオ分散キーバリューストアの平均遅延を、書き込み重ワークロードと読み取り重ワークロードでそれぞれ12.2%、33.3%削減し、読み取り専用ワークロードで最速のベースラインと一致させる。 A-greementは、リース認可のローカル読み取り、リーダ順序の書き込みのためのダイレクトクライアント学習、ネットワークトポロジとワークロードに基づいて選択された高速な固定クォーラム/キー書き込みパスを組み合わせたものだ。 発見の中心にAI-greementがあります。これは、"自律的な"発見、実装、実験、候補プロトコルの検証のためのエージェントハーネスです。 AI-greementは、(1)概念指向のプロトコル知識ベース、(2)モジュール化された実装スケルトン、(3)再利用可能な安全定義、参照仕様、証明を備えたリーンベースの検証フレームワークを統合します。 AI-greementは独立した関心事である。Leanの形式化は、既存のコンセンサスプロトコルの未報告の脆弱性をいくつか明らかにし、ドメイン固有のハーネスが汎用コーディングエージェントを(分散)コンピューティング研究の効果的なツールにする方法に関するガイドラインを提供する。 しかし、我々は、人間のコンセンサスの専門家が検索の前、中、そして、その後に必要不可欠であると主張する:エージェントは、エンドコンセンサス研究ではなく、研究者の役割を再形成する。

関連論文リスト

• A Technical Taxonomy of LLM Agent Communication Protocols [60.76747983053368]
  本研究では,大規模言語モデル(LLM)エージェント通信プロトコルの分類と解析を行う技術的分類法を開発する。 このフレームワークはプロトコルの選択をガイドし、プライバシーやポリシー執行といったオープンな研究ギャップを強調する。
  論文  参考訳（メタデータ） (2026-06-17T14:45:20Z)
• Benchmarking AI Agents for Addressing Scientific Challenges Across Scales [118.2204632627895]
  SciAgentArenaは、現実世界の科学研究シナリオでAIエージェントを評価するための体系的なベンチマークである。 ステップワイズ検証を備えた約200のタスクと、多様なAIエージェントを評価するためのインタラクティブでエージェントに依存しない環境で構成される。 タスク構造や評価基準が明確である場合, 現状のエージェントはデータ分析に効果的に貢献できることがわかった。
  論文  参考訳（メタデータ） (2026-06-10T22:55:30Z)
• PRIMA: Operational Patterns for Resilient Multi-Agent Research with Verifiable Identity and Convergent Feedback [0.0]
  PRIMAは、複数時間にわたる協調型マルチエージェント研究システムとして運用されている。 主なコントリビューションは、生存可能な障害モードのための3つの運用パターンである。 グラフ同型ケーススタディは、生成されたアーティファクトのアーキテクチャ的クレームを根拠にしている。
  論文  参考訳（メタデータ） (2026-05-23T23:27:46Z)
• From Controlled to the Wild: Evaluation of Pentesting Agents for the Real-World [4.065564250241855]
  本稿では,タスク完了から検証済みの脆弱性発見へ評価をシフトする実用的評価プロトコルを提案する。 このプロトコルは、AIペンテスティングエージェントのより現実的で運用上の情報的な比較を可能にすることによって、最先端の技術を拡張している。
  論文  参考訳（メタデータ） (2026-05-11T16:50:00Z)
• AI-Supervisor: Autonomous AI Research Supervision via a Persistent Research World Model [1.14219428942199]
  既存の自動研究システムは、ステートレスでリニアなパイプラインとして動作する。 マルチエージェントオーケストレーションフレームワークである textbfAI-Supervisor を提案する。 エージェントは、人間の関心によって駆動されるエンドツーエンドのAI研究の監督を提供する。
  論文  参考訳（メタデータ） (2026-03-25T15:16:51Z)
• CoCoNUTS: Concentrating on Content while Neglecting Uninformative Textual Styles for AI-Generated Peer Review Detection [60.52240468810558]
  我々は、AI生成ピアレビューの詳細なデータセットの上に構築されたコンテンツ指向ベンチマークであるCoCoNUTSを紹介する。 また、マルチタスク学習フレームワークを介してAIレビュー検出を行うCoCoDetを開発し、レビューコンテンツにおけるAIのより正確で堅牢な検出を実現する。
  論文  参考訳（メタデータ） (2025-08-28T06:03:11Z)
• Cognitive Kernel-Pro: A Framework for Deep Research Agents and Agent Foundation Models Training [67.895981259683]
  汎用AIエージェントは、次世代人工知能の基礎となるフレームワークとして、ますます認識されている。 現在のエージェントシステムはクローズドソースか、さまざまな有料APIやプロプライエタリなツールに大きく依存している。 我々は,完全オープンソースかつ(最大限に)フリーなマルチモジュールエージェントフレームワークであるCognitive Kernel-Proを提案する。
  論文  参考訳（メタデータ） (2025-08-01T08:11:31Z)
• A Survey of AI Agent Protocols [35.431057321412354]
  大きな言語モデル(LLM)エージェントが外部ツールやデータソースと通信する標準的な方法はありません。 この標準化されたプロトコルの欠如は、エージェントが協力したり、効果的にスケールするのを難しくする。 LLMエージェントの統一通信プロトコルは、これを変更できる。
  論文  参考訳（メタデータ） (2025-04-23T14:07:26Z)
• Is Vertical Logistic Regression Privacy-Preserving? A Comprehensive Privacy Analysis and Beyond [57.10914865054868]
  垂直ロジスティック回帰(VLR)をミニバッチ降下勾配で訓練した。 我々は、オープンソースのフェデレーション学習フレームワークのクラスにおいて、VLRの包括的で厳密なプライバシー分析を提供する。
  論文  参考訳（メタデータ） (2022-07-19T05:47:30Z)

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。