論文の概要: Trust Responsive Runtime Authorization for Agentic AI with Empirical Characterization of Policy Behavior and Parameter Sensitivity
- arxiv url: http://arxiv.org/abs/2611.06996v1
- Date: Wed, 04 Nov 2026 18:49:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 21:50:50.424689
- Title: Trust Responsive Runtime Authorization for Agentic AI with Empirical Characterization of Policy Behavior and Parameter Sensitivity
- Title（参考訳）: 政策行動とパラメータ感度の実証評価によるエージェントAIの信頼応答型ランタイム認証
- Abstract要約: 我々はTrust Responsive Authorization Policy(TRAP)を実証的に特徴付ける。
TRAPは、ランタイム信頼、運用安定性、コンテキストリスクの重み付けされた組み合わせであるオーソライゼーション・レディネススコア(ARS)を、独立した認証レベルにマップする。
TRAPを静的、信頼のみ、リスクのみ、対称ポリシーと比較する。
- 参考スコア（独自算出の注目度）: 0.7563734901105996
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The policy that converts runtime estimates of an autonomous agent's condition into operational authority is rarely specified or measured. We empirically characterize the Trust Responsive Authorization Policy (TRAP), which maps an Authorization Readiness Score (ARS), a weighted combination of runtime trust, operational stability, and contextual risk, onto discrete authorization levels through an asymmetric rule: escalation requires consecutive observations above a band edge plus a margin, while a sharp drop in readiness restricts authority at once. On one matched set of 100 Monte Carlo traces, we compare TRAP with static, trust-only, risk-only, and symmetric policies. Under abrupt degradation, TRAP restricts at onset and re-escalates sooner after recovery than the symmetric policy, with the highest and, descriptively, least variable stability among the adaptive policies, although more of its post-recovery escalations occur below the selected trust threshold. Paired bootstrap intervals exclude zero for the remaining differences. In one-factor sweeps, recovery time rises with the escalation margin and run length, shifts with the score weights, and is unchanged by the restriction threshold. In an exploratory post-freeze experiment, when the same degradation is spread over 5-20 intervals, TRAP restricts only on the 4 traces that retain a single-interval drop above that threshold; averaged over all 100 traces, it holds authority above what readiness supports for 15.9-18.9 of the 20 degradation intervals, against 0.8 under abrupt degradation and about 10 for the symmetric policy. Its restriction advantage therefore depends on degradation being abrupt. All reported values are traceable to the publicly available, versioned research release.
- Abstract（参考訳）: 自律エージェントの状態のランタイム推定を運用権限に変換する政策は、まれに特定または測定される。
オーソライゼーション・レディネススコア(ARS)、実行時の信頼、運用上の安定性、コンテキスト的リスクの重み付けの組み合わせを非対称な規則によって個別の承認レベルにマッピングするトラスト・レスポンシブ・オーソライゼーション・ポリシー(TRAP)を実証的に特徴付けます。
一致した100のモンテカルロトレースに対して、TRAPを静的、信頼のみ、リスクのみ、対称ポリシーと比較する。
TRAPは急激な劣化の下で、リカバリ後の開始と再エスカレーションを対称的政策よりも早く制限し、適応的政策の中で最高かつ記述的に最小の変動安定性を持つが、その回復後のエスカレーションは選択された信頼しきい値以下である。
ペアリングされたブートストラップ間隔は、残りの相違点についてゼロを除外する。
一要素スイープでは、リカバリ時間はエスカレーションマージンとラン長で上昇し、スコアウェイトでシフトし、制限しきい値によって変化しない。
探索後凍結実験では、同じ劣化が5-20間隔で広がるとき、TRAPはそのしきい値より1インターバルの低下を保った4つのトレースにのみ制限される。
そのため、その制限上の利点は急激な劣化に依存する。
報告されたすべての値は、公開されているバージョン付きリサーチリリースにトレース可能である。
関連論文リスト
- Certified Behavioral Retention for Continual Adaptation with Held-Out Anchors [0.0]
Certified Anchor-Based Adaptation (CABA) は, 更新後ゲートである。
我々は、測定されたアンカー保持を条件付きオフアンカー保証から分離する理論に基づく認証フレームワークを開発する。
CABAは、制約のない適応では1.01%から0.00%に減らし、最終平均精度は93.04%から88.48パーセントに低下する。
論文 参考訳（メタデータ） (2026-10-29T15:08:12Z) - Fast Regularized Policy Mirror Descent with One-Step TD Updates [3.4173456717058084]
政策ミラー降下(PMD)は、正規化マルコフ決定過程(MDP)における高速収束を享受する
時間差 (TD) を1回更新し, 持続的批判を伴ってPMDを解析した。
我々のサンプル複雑度保証は、軌道リセット、生成モデルアクセス、ネストされたポリシー評価ループなしで保持できる。
論文 参考訳（メタデータ） (2026-09-30T14:33:51Z) - OSCC: Certified Observation-Safe Coupling Optimization for Gradient-Noise Control in Imperfect-Information Learning [23.835119696596095]
無効な結合は、隠された状態を隠蔽し、内因性ポリシーのランダム性を同期させ、または、偽の履歴が分岐した後の誤ったチャンスイベントを発生させる。
本稿では,限界保存,情報状態安全性,ブランチローカルなポリシーランダム性,セマンティックイベントアライメント,トレース・ビオークル・リプレイなどを通じて,許容可能なクラスを定義するフレームワークであるオブザーバセーフ・カウンタファクト・カップリング(O SCC)を紹介する。
我々は, 限界保存結合に対して, ポリシ・ヤコビアン重み付き対角外帰還共分散が雑音変化を決定することを示す勾配対応結合基準を導出する。
論文 参考訳（メタデータ） (2026-09-27T13:10:30Z) - 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) - DRSR: Learning Set-Level Deletion Risk for Efficient Long-Horizon Agents [55.84813053778976]
ロングホライゾン言語モデルエージェントは、現在の決定と関係が変化する推論の痕跡、ツール交換、観察を蓄積する。
直接セットリスクスコアは、削除セットの選択としてエージェント履歴圧縮リスクを定式化する。
メカニカル・アナリシスとアブリケーションは、決定に制約のある関係、保持されたコンテキスト情報、ペア・インタラクション、および棄権がそれぞれ信頼できるプルーニングに寄与していることを示している。
論文 参考訳（メタデータ） (2026-09-23T03:06:01Z) - Improving Search Agent with One Line of Code [68.58667107354253]
ツールベースのエージェント強化学習(TARL)は,検索エージェントが外部ツールと対話できるようにトレーニングするための,有望なパラダイムとして登場した。
textbfSearch textbfAgent textbfPolicy textbfOptimization (textbfSAPO)を提案する。
論文 参考訳（メタデータ） (2026-03-10T04:07:39Z) - On the Hidden Biases of Policy Mirror Ascent in Continuous Action Spaces [23.186300629667134]
重み付きパラメータ化の下でのポリシー勾配アルゴリズムの収束性について検討する。
我々の主要な理論的貢献は、このスキームが一定のステップとバッチサイズに収束することである。
論文 参考訳（メタデータ） (2022-01-28T18:54:30Z) - Post-Contextual-Bandit Inference [57.88785630755165]
コンテキストバンディットアルゴリズムは、電子商取引、医療、政策立案における非適応的なA/Bテストを置き換える傾向にある。
研究参加者の成果を改善することもでき、良い方針や最良の政策を特定できる可能性を高めることもできる。
研究の終盤における新規介入の信頼性推論を支援するため, 平均治療効果, サブグループ効果, あるいは新政策の価値について, 有効な信頼区間を構築したい。
論文 参考訳（メタデータ） (2021-06-01T12:01:51Z) - Doubly Robust Off-Policy Value and Gradient Estimation for Deterministic
Policies [80.42316902296832]
本研究では,行動継続時の非政治データから決定論的政策の政策値と勾配を推定する。
この設定では、密度比が存在しないため、標準重要度サンプリングとポリシー値と勾配の2倍の頑健な推定が失敗する。
異なるカーネル化アプローチに基づく2つの新しい頑健な推定器を提案する。
論文 参考訳（メタデータ） (2020-06-06T15:52:05Z) - Minimax-Optimal Off-Policy Evaluation with Linear Function Approximation [49.502277468627035]
本稿では,関数近似を用いたバッチデータ強化学習の統計的理論について検討する。
記録履歴から新たな対象政策の累積値を推定するオフ・ポリティクス評価問題を考察する。
論文 参考訳（メタデータ） (2020-02-21T19:20:57Z)
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。