論文の概要: CASEL: Consequence-Aware Selective Execution for Reliable Long-Horizon Tool-Using Agents

• arxiv url: http://arxiv.org/abs/2610.36570v1
• Date: Tue, 27 Oct 2026 03:19:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.474644
• Title: CASEL: Consequence-Aware Selective Execution for Reliable Long-Horizon Tool-Using Agents
• Title（参考訳）: CaseL: 信頼性の高い長方形工具使用剤の選択的実行
• Abstract要約: Caselはモデルに依存しないランタイムアロケーションポリシで、失敗の確率、状態依存の結果、可逆性、曖昧さ、そして選択すべき鮮度を組み合わせます。 ケースルは有害な副作用を14.75パーセントから7.02パーセントに減らし、正常化された損傷を0.184から0.123に減らしている。
• 参考スコア（独自算出の注目度）: 10.374040557679729
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tool-using language agents increasingly modify external systems, yet most runtime safeguards allocate scrutiny by generic uncertainty scores or coarse mutation heuristics. We introduce CASEL (Consequence-Aware Selective Execution Layer), a model-agnostic runtime allocation policy that combines calibrated failure probability, state-dependent consequence, reversibility, ambiguity, and evidence freshness to choose, for each proposed tool call, among direct execution, verification, sandboxing, clarification, approval, and abstention by minimizing a per-mode cost. We formalize direct execution as selective prediction and state and test the validity conditions of a finite-sample threshold and a trajectory risk ledger. In a controlled simulation over 20 seeds with 120,000 test actions each, in which every method has the same intervention menu and the same compute cost, CASEL reduces harmful-side-effect trajectories from 14.75 percent for an uncertainty-ranked gate to 7.02 percent and mean normalized harm from 0.184 to 0.123. A gate ranked by the product of failure probability and consequence reaches similar harm (5.82 percent, 0.120) but sends 45 percent more actions to human approval, and removing reversibility-aware routing raises the rate to 15.53 percent. A trajectory-level risk budget, in contrast, increases harm at equal cost (11.82 percent). Intervention effectiveness is assumed, not measured: the results rank allocation rules under the simulator's assumptions and do not establish deployment effectiveness.
• Abstract（参考訳）: ツールを使用する言語エージェントは、外部システムを変更する傾向にあるが、ほとんどのランタイムセーフガードは、一般的な不確実性スコアや粗い突然変異ヒューリスティックによって、精査を割り当てる。 CASEL(Consequence-Aware Selective Execution Layer)は,モードごとのコストを最小化することで,直接実行,検証,サンドボックス化,明確化,承認,棄却などのツールコール毎に,キャリブレーションされた障害確率,状態依存結果,可逆性,曖昧性,証拠の鮮度を結合したモデルに依存しないランタイムアロケーションポリシである。 我々は、直接実行を選択的予測と状態として定式化し、有限サンプル閾値と軌道リスク台帳の妥当性を検証した。 それぞれの方法が同じ介入メニューと同じ計算コストを持つ、12万の試験作用を持つ20種の種子に対する制御シミュレーションにおいて、CASELは不確実性ランクゲートの有害な副作用軌道を14.75パーセントから7.02パーセントに減らし、0.184から0.123まで正規化された害を平均する。 失敗確率と結果によってランク付けされたゲートは、同様の被害(5.82%、0.120)に達するが、人間の承認にさらに45%のアクションを送り、可逆性を考慮したルーティングを削除することで15.33%に上昇する。 一方、軌道レベルのリスク予算は対等なコスト(11.82パーセント)で損害を増大させる。 結果がシミュレータの仮定に基づいてアロケーションルールをランク付けし、デプロイメントの有効性を確立しない。

関連論文リスト

• Agents' Last Doubt: Knowing When to Act and When to Step Back in Tool-Using Agents [30.300306641767392]
  ToolSandboxの1,036の意思決定点から3,115のアクション結果を含む反ファクトデータセットを構築した。 我々は,凍結したバックボーンエージェントの動作を選択するコントローラであるSURE-Actを推論時にトレーニングする。 実験により、代替アクションのランク付けを学ぶことで、回帰のみのベースラインよりもオフラインアクション選択ユーティリティが0.0309向上することが示された。
  論文  参考訳（メタデータ） (2026-10-16T20:11:31Z)
• VeriVLA: Adaptive Test-Time Verification for Flow-Based VLAs with Latent World Models [50.77784979595945]
  トレーニング不要な2軸トリガを導入し,時間内変動とサンプル間のばらつきを測定した。 一度起動すると、JEPAベースの潜在世界モデルは、アクション条件付き将来の潜在状態を予測することによって、候補アクションチャンクをランク付けする。 提案手法は, 平均完了スコアを50.8%から65.5%に引き上げると同時に, トリガ決定毎のサンプリングと検証に326msを加算する。
  論文  参考訳（メタデータ） (2026-10-15T14:34:44Z)
• Decision Uncertainty-Oriented Watermarking (DUOW): Securing Multi-Agent Routing Against Policy Cloning [52.112503352265556]
  Decision Uncertainty-Oriented Watermarking (DUOW)は、モデルパラメータや生成された出力を変更することなく、外部決定層で動作する軽量フレームワークである。 DUOWは高いタスクユーティリティを保ち、最大90%のログ消去の下で信頼性の高いオーナシップ検証を実現し、計算オーバーヘッドを無視できることを示した。
  論文  参考訳（メタデータ） (2026-10-10T05:51:13Z)
• NeuronSifter: Intervention Planning in CNS Microenvironments [3.8107412342726406]
  アクション条件付き予測器は、プライマリをアイデンティティトークンやスカラー露光に還元する。 ポイント推定を別のプランナーに渡すと、その測定値に価値のある共同不確実性は破棄される。 我々は、制御器配置ではなく、介入インターフェースの特性として、意思決定品質を扱います。
  論文  参考訳（メタデータ） (2026-09-28T15:41:54Z)
• Audit-First VAPO: Risk-Certified Selective Updates under Imperfect Verification [23.835119696596095]
  不完全な検証者は、クリップングや正規化がその大きさを束縛している場合でも、有害な更新を割り当てることができる。 Audit-First VAPOを導入し、離散的な方向入力と連続的な等級制御を分離する。
  論文  参考訳（メタデータ） (2026-09-27T15:21:45Z)
• CereVLA: Cerebellum-Inspired Consequence-Aware Residual Governance for Efficient Vision-Language-Action Execution [53.635273213001796]
  アクションチャンクされた視覚言語アクション(VLA)ポリシーは推論効率を改善するが、コミットされたアクションチャンク内の限られたフィードバックは、実行エラーの蓄積につながる。 本稿では,軽量残効改善と予測結果評価を冷凍VLA実行に統合した統合フレームワークであるCereVLAについて述べる。
  論文  参考訳（メタデータ） (2026-09-23T07:30:58Z)
• EvoSafeHarness: Evolving Model- and Domain-Specific Harnesses for Securing Agents [74.54929751174289]
  EvoSafeHarnessは、ターゲットドメイン内の凍結モデルのためのデプロイ可能なハーネスを合成する、安全固有の最適化フレームワークである。 これは平均攻撃成功率を3.3ポイントのユーティリティコストで45.6%から10.0%に下げる。 また、Agent-SafetyBenchでは、すべての犠牲者に対してベストスコアを獲得している。
  論文  参考訳（メタデータ） (2026-09-05T05:56:41Z)
• Capability Minimization as a Safety Primitive: Risk-Aware Causal Gating for Least-Privilege LLM Agents [0.0]
  Risk-Aware Causal Gating (RACG) は、モデルの予測から行動するか、延期するかを判断するフレームワークである。 RACGは、候補行動から結果への因果経路をモデル化し、予測された対実リスクに応じて各決定をゲートする。 RACGは,非ゲートポリシーの効用の大部分を保ちながら,コストエラーを大幅に低減することを示す。
  論文  参考訳（メタデータ） (2026-06-11T20:19:35Z)
• ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
  ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。 我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-02-27T05:22:01Z)
• Conformal Thinking: Risk Control for Reasoning on a Compute Budget [60.65072883773352]
  大規模言語モデル(LLM)の推論により、トークンの予算が増加するにつれて、データセットレベルの精度が向上する。 我々は、予算設定問題をリスクコントロールとして再設定し、計算を最小化しながらエラー率を制限する。 我々のフレームワークは、モデルが自信のあるときに推論を停止する上位しきい値と、未解決のインスタンスを事前に停止させる新しい下位しきい値を導入する。
  論文  参考訳（メタデータ） (2026-02-03T18:17:22Z)

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。