論文の概要: AgentHeal: Evaluating Goal-Preserving Resource Recovery of Web Agents under Access Barriers
- arxiv url: http://arxiv.org/abs/2610.39234v1
- Date: Thu, 29 Oct 2026 02:51:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-03 00:30:41.179902
- Title: AgentHeal: Evaluating Goal-Preserving Resource Recovery of Web Agents under Access Barriers
- Title（参考訳）: AgentHeal: アクセス障壁下でのWebエージェントのゴール保存リソース回復の評価
- Abstract要約: 大規模言語モデル(LLM)エージェントは、複雑な情報検索とトランザクションタスクを自動化する強力な能力を示している。
しかし、実際の信頼性は、デッドリンク、認証壁、レート制限、アンチスクレイピング防御といったアクセス障壁によって制限されている。
本稿では,目標保存資源の回復を評価するベンチマークであるAgentHealを紹介する。
- 参考スコア（独自算出の注目度）: 5.761731077078867
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language model (LLM) agents have demonstrated strong capabilities in automating complex information-seeking and transactional tasks across the open web. However, their real-world reliability remains limited by access barriers, such as dead links, authentication walls, rate limits, and anti-scraping defenses. These barriers block the primary execution path, causing agents to abort prematurely, loop indefinitely, or quietly compromise the user's original constraints. Existing evaluations either implicitly assume that target resources are freely accessible or focus on transient perturbations that simple retries can resolve, failing to capture scenarios where agents must actively reroute around impassable bottlenecks. To bridge this gap, this paper introduces AgentHeal, a comprehensive benchmark evaluating goal-preserving resource recovery, defined as the ability of web agents to detect non-transient access barriers, pivot to legitimate alternative sources, and fulfill the user's exact original objective. Spanning nine barrier families across a counterfactual sandbox and real-website replay, our experiments on leading LLM backbones show that average task success drops sharply from 89.4% to 43.7% under access barriers. Further analysis reveals that agents frequently fall for deceptive look-alikes, fail to escalate to users when necessary, violate access policies, or waste computation on futile retries, providing actionable diagnostics for developing resilient web agents.
- Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、オープンウェブ全体にわたる複雑な情報検索とトランザクションタスクを自動化する強力な能力を示している。
しかし、実際の信頼性は、デッドリンク、認証壁、レート制限、アンチスクレイピング防御といったアクセス障壁によって制限されている。
これらの障壁は、プライマリ実行パスをブロックし、エージェントが早めに停止したり、ループを無期限にループしたり、ユーザのオリジナルの制約を静かに侵害したりする。
既存の評価では、ターゲットリソースが自由にアクセス可能であると暗黙的に仮定するか、単純な再試行が解決できる過度な摂動に注目し、エージェントが不可避なボトルネックを積極的に回避しなければならないシナリオを捉えない。
このギャップを埋めるために、AgentHealは、Webエージェントが非過渡アクセス障壁を検出し、正当な代替ソースにピボットし、ユーザの正確な本来の目的を満たす能力として定義された、ゴール保存リソースの回復を評価する包括的なベンチマークである。
LLMのバックボーンをリードする実験では,9つのバリアファミリーがカウンターファクトのサンドボックスと実Webサイトのリプレイに広がっており,平均的なタスク成功率は89.4%から43.7%に急激に低下している。
さらに分析したところ、エージェントは偽装的なルックアライズを頻繁に受け取り、必要であればユーザをエスカレートできず、アクセスポリシーに違反したり、無駄な再試行を処理したり、レジリエントなWebエージェントを開発するための実用的な診断を提供する。
関連論文リスト
- Lost in Recovery: Demystifying Recovery Behavior of Computer-Use Agents via Goal-Oriented Action Replay [63.05870209824107]
本稿では,コンピュータ利用エージェントの回復行動を研究するためのスケーラブルな評価フレームワークReTraceを提案する。
我々は、制御されたエラーインジェクションの後にゴール指向のアクションリプレイによって、この基準を運用する。
ReTraceを用いて、自律型モデルベースリカバリに関する最初の体系的研究を行う。
論文 参考訳（メタデータ） (2026-10-20T09:59:12Z) - CredLeakBench: Evaluating Credential Leakage and Recovery in LLM Agents [58.28055202832338]
言語モデルエージェントは日々のデジタル雑用を自動化するためにますますデプロイされている。
この機能は、フィッシングに機密情報を公開する。
CredLeak-Benchは、ヒューマンタスクの効果的かつセキュアなエージェントの自動化を評価するために設計されたベンチマークである。
論文 参考訳（メタデータ） (2026-10-06T05:07:33Z) - AgentTrap: Stateful Feedback Deception against Autonomous Penetration Testing Agents [2.0181862894014446]
我々は、自律的な侵入テストエージェント用に調整された最初のクローズドループハニーポットであるAgentTrapを紹介した。
AgentTrapはセンチネルエンドポイントを使用して、良質な干渉、保護されたアプリケーションに根ざしたステートフルな偽装、行動誘導エスカレーションを回避する。
防御がない場合と比較して、AgentTrapは実際の攻撃成功率を95.8%から79.2%に下げ、18.8%で攻撃者のAPIキーを引き出すことに成功した。
論文 参考訳（メタデータ） (2026-10-02T06:07:37Z) - Staying on the Attack Path: Structured State for Long-Horizon Automated Penetration Testing [17.809156797437208]
Intentestはインテントグラフ誘導型自動浸透試験剤である。
LLMのコンテキストウィンドウからの長い水平状態を、永続的なファクトインテント指向の非巡回グラフに外部化する。
総合的な成功率は88.2%、成功率は75.0%である。
論文 参考訳（メタデータ） (2026-09-07T11:09:01Z) - Breadcrumbing Search Agents [118.20284823674382]
LLMベースの検索エージェントは情報検索タスクに広く利用されているが、外部ツールへの依存度は重大なセキュリティリスクをもたらす。
検索およびページ観察を行うチャネルは脆弱なセキュリティ境界であることを示す。
制約付きツール仲介脅威モデルの下では、クエリ毎に1つのコントロールされた結果のみを追加することで、攻撃の成功を大幅に増加させることができる。
論文 参考訳（メタデータ） (2026-08-05T07:57:27Z) - Mutate to Bypass: Autonomous Endpoint Evasion via Knowledge-Driven Multi-Agent Orchestration [14.14926839179577]
本稿では,自動レジリエンス評価のための知識ベースでクローズドループフレームワークであるAutoBypassを紹介する。
Detection-Aware Knowledge Baseは、インテリジェンス、専門家分析、そしてオープンソースの概念実証を、回避技術と運用上の制約に構造化する。
エージェントはこの知識を使って攻撃を計画し、多型コードを生成し、バイナリをコンパイルする。
論文 参考訳（メタデータ） (2026-08-03T03:19:24Z) - Decoupling Reconnaissance and Exploitation: Measuring the Capability Boundaries of LLM-Based Web Penetration Testing [8.293465530619246]
本稿では,2段階の非結合評価フレームワークを提案する。
我々は、マルチエージェント、モノリシック、グラフ駆動アーキテクチャをカバーする、オープンソースの5つの浸透試験エージェントを実証的に評価する。
論文 参考訳（メタデータ） (2026-06-24T02:51:58Z) - It's a TRAP! Task-Redirecting Agent Persuasion Benchmark for Web Agents [52.81924177620322]
大規模な言語モデルを利用したWebベースのエージェントは、メール管理やプロフェッショナルネットワーキングといったタスクにますます利用されている。
動的Webコンテンツへの依存は、インジェクション攻撃の引き金に弱い: インターフェース要素に隠された敵対的命令は、エージェントが元のタスクから逸脱するように説得する。
本稿では,タスクリダイレクトエージェントの説得ベンチマーク(TRAP)について紹介する。
論文 参考訳（メタデータ） (2025-12-29T01:09:10Z) - Are Your Agents Upward Deceivers? [73.1073084327614]
大規模言語モデル(LLM)ベースのエージェントは、ユーザのためにタスクを実行する自律的な従属者として、ますます使われています。
これは、人間の組織の個人がどのように上官に嘘をついて良いイメージを作り出したり、罰を免れるかのような、詐欺にも関与するかどうかという問題を提起する。
本研究では,環境制約に直面するエージェントが障害を隠蔽し,報告なしに要求されない動作を行う現象であるエージェント上行錯誤を観察・定義する。
論文 参考訳（メタデータ） (2025-12-04T14:47:05Z) - Information Retrieval Induced Safety Degradation in AI Agents [52.15553901577888]
本研究では,検索アクセスの拡大がモデル信頼性,バイアス伝搬,有害コンテンツ生成に与える影響について検討した。
整列 LLM 上に構築された検索可能なエージェントは、検索なしでの無検閲モデルよりも安全でない振る舞いをすることが多い。
これらの発見は、検索可能でますます自律的なAIシステムの公正性と信頼性を確保するための堅牢な緩和戦略の必要性を浮き彫りにしている。
論文 参考訳（メタデータ） (2025-05-20T11:21:40Z)
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。