論文の概要: Understanding Communication Failures in Multi-Agent LLM Systems

• arxiv url: http://arxiv.org/abs/2610.32060v1
• Date: Fri, 23 Oct 2026 01:55:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.323571
• Title: Understanding Communication Failures in Multi-Agent LLM Systems
• Title（参考訳）: マルチエージェントLLMシステムにおける通信障害の理解
• Abstract要約: 本稿では, 医療用QA, コーディング, ファイナンス, マルチホップ推論, 倫理, 具体的テキストタスクの3,211件の障害から構築したコミュニケーション障害の分類法を提案する。 失敗は、第一ラウンドのミスではなく、リカバリ/修正とコンセンサス/決定の問題に支配されていることが分かりました。 これらの知見に基づき, 確定前に, より強い不一致処理, 証拠検証, マイノリティ信号保存, 回復チェックを推奨する。
• 参考スコア（独自算出の注目度）: 22.661881078729465
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-agent LLM systems aim to improve reasoning through debate, evidence sharing, and mutual correction, but interaction can also introduce failures that final accuracy alone cannot explain. Agents may converge too early, ignore dissent, suppress correct minority answers, or preserve a wrong framing across rounds. We present a corpus-grounded taxonomy of communication failures, built from 3,211 failed multi-round trajectories across medical QA, coding, finance, multi-hop reasoning, ethics, and embodied text tasks. Using this taxonomy, we analyze failure distributions across datasets and system designs, round-level error dynamics, recovery hardness, majority transitions, minority-signal suppression, and self-reported confidence. We find that failures are dominated by recovery/correction and consensus/decision problems rather than isolated first-round mistakes, with many emerging after agents first observe peer responses. Based on these findings, we recommend stronger disagreement handling, evidence verification, minority-signal preservation, and recovery checks before finalization.
• Abstract（参考訳）: マルチエージェントLLMシステムは、議論、証拠共有、相互修正を通じて推論を改善することを目的としているが、相互作用は最終的な精度だけでは説明できない失敗をもたらすこともできる。 エージェントは、早すぎる収束、不服従の無視、正当な少数派回答の抑制、ラウンド全体で間違ったフレーミングを維持することができる。 本稿では, 医療用QA, コーディング, ファイナンス, マルチホップ推論, 倫理, 具体的テキストタスクの3,211件の障害から構築したコミュニケーション障害の分類法を提案する。 この分類法を用いて、データセットやシステム設計、ラウンドレベルのエラーダイナミクス、リカバリ困難性、多数派移行、マイノリティ信号の抑制、自己報告された信頼度などの障害分布を分析します。 失敗は、第一ラウンドのミスではなく、リカバリ/修正とコンセンサス/決定の問題に支配されている。 これらの知見に基づき, 確定前に, より強い不一致処理, 証拠検証, マイノリティ信号保存, 回復チェックを推奨する。

関連論文リスト

• ReDiS: Reasoning-Diagnosis Self-Evolution for Multimodal Reasoning in Remote Sensing [53.65780048695954]
  我々は、推論探索と候補評価を分離するフレームワークである textbfReasoning-Diagnosis-Self-Evolution (ReDiS) を導入する。 多様な視覚的証拠を探索するtextbfReasoner と、完全な候補セットを共同で評価する textbfDiagnoser である。 LHRS-Bench, MME-RS, CHOICEの実験では、Qwen3.5バックボーンを0.8B, 2B, 4Bスケールで一貫した改善が見られた。
  論文  参考訳（メタデータ） (2026-10-13T13:38:02Z)
• When Messages Go Wrong: Understanding Communication Faults in LLM-Based Multi-Agent Systems [10.185090875234998]
  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。
  論文  参考訳（メタデータ） (2026-10-11T08:59:27Z)
• 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)
• The Deliberative Illusion: Diagnosing Factual Attrition and Stance Homogenization in Multi-Agent LLM Deliberation [68.98390038721963]
  問題クリティカルな事実の最大72%を,マルチエージェントによる議論で消し去ることを示す。 保持された証拠は誤解を招くことなく問題を再構築し、最終的なスタンスをベースモデルに固定し、単一の悪意のあるエージェントが誤った情報を共有コンテキストに注入することができる。 我々は、どの事実、不確実性、正当な不一致が相互作用を生き残るかを測定する評価を求める。
  論文  参考訳（メタデータ） (2026-06-02T02:15:40Z)
• 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)
• 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)
• 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)
• ReAgent: Reversible Multi-Agent Reasoning for Knowledge-Enhanced Multi-Hop QA [29.578079759428014]
  ReAgentは、明示的なバックトラッキング機構を備えた可逆的なマルチエージェント協調フレームワークである。 提案システムでは,誤り検出と修正が可能で,より堅牢で解釈可能なQA結果が得られる。
  論文  参考訳（メタデータ） (2025-03-10T05:56:46Z)

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。