論文の概要: CoLFA: Collaboration-Guided Lightweight Failure Attribution for LLM-Based Multi-Agent Systems
- arxiv url: http://arxiv.org/abs/2611.14980v1
- Date: Wed, 11 Nov 2026 03:38:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.000264
- Title: CoLFA: Collaboration-Guided Lightweight Failure Attribution for LLM-Based Multi-Agent Systems
- Title(参考訳): CoLFA:LLMに基づく多エージェントシステムにおける協調誘導軽量故障属性
- Abstract要約: マルチエージェントシステムにおけるエラー帰属は、決定的なエラーステップと責任のあるエージェントを特定するために、トレースエラー生成を必要とする。
本稿では,コラボキューを用いて,結果の生成方法に応じて属性入力を整理するCoLFAを提案する。
CoLFAは、最も正確なステップローカライズ精度と最低トークン消費を達成する。
- 参考スコア(独自算出の注目度): 10.055084027164995
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Failure attribution in multi-agent systems requires tracing error formation to identify the decisive error step and the responsible agent. However, agents' division of work and information exchange lead to Interleaved Steps and Cluttered Content, requiring models to link executions and check details in lengthy records. This makes it difficult to balance localization accuracy and token cost. We find that multi-agent collaboration also leaves records of how executions connect and content passes between them as results are formed, providing evidence for tracing error formation. Based on this observation, we propose CoLFA (Collaboration-Guided Lightweight Failure Attribution), which uses collaboration cues to organize the attribution input according to how results are formed, determining which steps are examined and how their content is presented. Through Handoff-Guided Step Expansion and Cross-Referenced Content Organization, CoLFA helps the model focus on examining error formation and the role of each decision while reducing the processing of irrelevant and repeated records. Across five settings spanning Who&When and LongRCA and three backbone models, CoLFA achieves the highest exact step-localization accuracy with the lowest token consumption. Compared with individual baselines in each setting, CoLFA improves accuracy by up to 37.50% and reduces token consumption by up to 97.6%.
- Abstract(参考訳): マルチエージェントシステムにおけるエラー帰属は、決定的なエラーステップと責任のあるエージェントを特定するために、トレースエラー生成を必要とする。
しかしながら、エージェントの作業と情報交換の分割はインターリーブドステップとクラッタドコンテンツにつながり、実行をリンクし、長いレコードで詳細をチェックするモデルを必要とする。
これにより、ローカライズ精度とトークンコストのバランスをとるのが難しくなる。
マルチエージェントのコラボレーションは、結果が生成されるにつれて、実行とコンテンツが相互に接続する方法の記録も残しており、エラー生成をトレースする証拠となる。
そこで本研究では,コラボレーションガイドによる軽量故障属性(CoLFA)を提案する。これはコラボレーションキューを用いて,結果の生成方法に応じて属性入力を整理し,どのステップを検査し,その内容が提示されるかを決定する。
ハンドオフガイドによるステップ拡張とクロスリファレンスコンテンツ組織を通じて、CoLFAは、無関係な記録や繰り返し記録の処理を減らしながら、モデルがエラー発生と各決定の役割を調べることに集中するのに役立つ。
Who&WhenとLongRCAと3つのバックボーンモデルにまたがる5つの設定で、CoLFAは最も正確なステップローカライズ精度を最も低いトークン消費で達成している。
各設定での個々のベースラインと比較して、CoLFAは37.50%の精度向上と97.6%のトークン消費削減を実現している。
関連論文リスト
- When Does Better Confidence Improve a Knowledge-Graph Audit? [22.672957142366002]
不正な共有エンティティが予算監査にどのように影響するかを,選択ヘッドルームとラベルの妥当性とともに検討する。
Re-DocRED上の5つの抽出構成と2つのクロスドキュメントグラフに対するベンチマークアラインラベルに対する理想的な修復をシミュレートする。
300のDWIEトレーニング文書では、独立および共同計画もポイント推定でファンアウトを上回っている。
論文 参考訳(メタデータ) (2026-11-04T03:12:37Z) - AdaPRA: Process Reward Agents with Adaptive Rubrics for Data Science [61.06192512211444]
データサイエンスエージェントはエンドツーエンドの機械学習を自動化することができるが、人間のリーダーボードとの競争には程遠い。
我々はこれらの問題に対処するためにAdaPRAを提案する: 同一タスクの試行にまたがって知識を蓄積する永続的符号化エージェントと、エラーを特定し修正するルーリック誘導プロセス監視。
AdaPRAはタスク毎の5つの試行により、80B QwenモデルのパーセンタイルをDSPredict-Easyで24.5ポイント、DS-Hardで14.8ポイント改善し、プロセスエラーを減らす。
論文 参考訳(メタデータ) (2026-10-23T19:46:55Z) - Beyond Perfect Teammates: Multi-Agent Collaboration with Unreliable Colleagues [41.90964421829607]
我々は,信頼できない証拠収集プロセスの回復能力からタスク解決能力の分離を図るために,UncoBench(Unreliable Colleagues Benchmark)を導入する。
10モデルにわたる結果は、同様の信頼性の高い設定性能が、信頼性の低い証拠と異なるロバスト性をもたらすことを示している。
論文 参考訳(メタデータ) (2026-10-12T03:31:54Z) - Error-Propagation Modeling for Failure Attribution in LLM-Based Multi-Agent Systems [29.307319005914227]
この研究において、帰属ターゲットは決定的なエラーであり、エージェント-ステップペアとして定義され、修正が失敗した実行を回復する。
既存のアプローチは、インタラクション間でエラーがどのように伝播するかを明示的にモデル化したり、未解決のループで永続化したりすることなく、不審なステップをほとんど特定する。
textbfError- propagation textbfModeling for textbfFailure textbfAttribution (textbfEMFA)を提案する。
Who&Whenベンチマークでは、EMFAは最先端のステップレベルの属性の精度を達成し、残る。
論文 参考訳(メタデータ) (2026-10-08T09:44:59Z) - DeFA: Dependency-Guided Failure Attribution for LLM Agents [23.995633236163695]
エージェント障害帰属のための依存性ガイダンスフレームワークであるDeFAを紹介する。
DeFAはまず、プロトコルの関係とセマンティック依存関係をトラジェクトリにまたがるイベント依存グラフに結合する。
次に、タスク要求に違反する可能性のあるイベントを特定し、ソースとその後の影響をトレースして、障害伝播グラフを構築する。
論文 参考訳(メタデータ) (2026-10-01T07:50:22Z) - Beyond LLM-Based Reasoning: Lightweight GNNs for Agent Failure Attribution [47.70578021328887]
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は、しばしば複雑な障害モードを示す。
AFANetは、ステップレベルの意味信号とエージェントレベルの関係を通して相互作用軌跡をモデル化する軽量なグラフベースのフレームワークである。
以上の結果から, エージェント障害の効果的な帰属は大きな推論を必要とせず, 軽量で構造化されたアプローチで高い性能を達成できることが示唆された。
論文 参考訳(メタデータ) (2026-08-19T06:16:09Z) - Self-Correction Distillation for Structured Data Question Answering [50.98882432829651]
小型言語モデル(LLM)は、構造化クエリの生成時にエラーを起こしやすい。
小型LCMの構造データQA能力を向上させるための自己補正蒸留(SCD)法を提案する。
論文 参考訳(メタデータ) (2025-11-11T09:01:51Z) - Verifying Large Language Models' Reasoning Paths via Correlation Matrix Rank [71.09032766271493]
大規模言語モデル (LLM) は誤りや幻覚を引き起こす傾向がある。
アウトプットを効果的かつ効率的にチェックする方法は、アプリケーションにとって重要な問題となっている。
論文 参考訳(メタデータ) (2025-10-28T11:01:10Z) - Think Right: Learning to Mitigate Under-Over Thinking via Adaptive, Attentive Compression [68.69801176669843]
本稿では,冗長なステップを誘発し,難易度を推定するオンラインポストトレーニングRL手法を提案する。
TRAAC(Think Right with Adaptive, Attentive Compression)は、絶対精度が平均8.4%向上する。
我々のモデルは数学データセットに基づいて訓練されているが、分布外データセットの精度と効率性を示す。
論文 参考訳(メタデータ) (2025-10-02T02:00:20Z)
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。