AIニュース最前線
最新ニュースAI日報Hacker日報週報動画AIツールトレンド企業

AIニュース最前線

世界中のAI最新情報を日本語で毎時更新

最新ニュース日報トレンド企業このサイトについてRSS
© 2026 ainew.jp
お問い合わせ特定商取引法に基づく表記
ニュース一覧元記事を開く
Synced Review·2025年6月16日 16:39·約2分で読める

PSUとDukeの研究者が「マルチエージェントシステムの自動故障帰属」を紹介

#LLM Multi-Agent Systems#Automated Failure Attribution#ICML 2025#Open Source Benchmark#System Reliability
TL;DR

ペンシルベニア州立大学とデューク大学の研究者らが、LLM マルチエージェントシステムの失敗原因を特定する「自動失敗帰属」問題を提起し、初のベンチマークデータセット「Who&When」と評価手法を発表した。

AI深層分析2026年5月3日 01:14
4
重要/ 5段階
深度40%
5
関連度30%
5
実用性20%
4
革新性10%
4

キーポイント

1

自動化された失敗帰属問題の定義

複雑なマルチエージェントシステムにおいて、どのエージェントがいつ失敗の原因となったかを特定する課題を「Automated Failure Attribution」として初めて体系的に定義した。

2

初のベンチマークデータセット「Who&When」の公開

このタスクのための評価基準となる最初のベンチマークデータセット「Who&When」を構築し、関連する自動化帰属手法の開発と評価を行った。

3

主要カンファレンスでの採択とオープンソース化

本研究成果は機械学習の最上位カンファレンスである ICML 2025 のスポットライト発表として採択され、コードとデータセットが完全にオープンソース化された。

4

大規模研究機関による共同開発

ペンシルベニア州立大学、デューク大学の他、Google DeepMind、Meta、ワシントン大学など複数の主要機関が協力し、学術的・産業的な広がりを持つ成果を導き出した。

5

Automated Failure Attribution の新課題とベンチマーク

ペンシルベニア州立大学とデューク大学の研究者らが、LLM マルチエージェントシステムの失敗原因を特定する「自動化された失敗帰属」という新たな研究課題を定義し、初のベンチマークデータセット「Who&When」を構築しました。

6

ICML 2025 で注目発表とオープンソース化

この研究成果は機械学習のトップカンファレンスである ICML 2025 のスポットライトプレゼンテーションとして採用され、コードとデータセットが完全に公開されています。

7

複雑なシステムにおける診断の困難性

自律的なエージェントの協力や長い情報連鎖により失敗原因の特定が極めて困難である現状に対し、迅速な診断手法の確立がシステムの信頼性向上に不可欠であると指摘しています。

影響分析・編集コメントを表示

影響分析

本記事は、複雑化するマルチエージェントシステムの運用における最大のボトルネックである「デバッグの困難さ」に対する画期的な解決策を提示しています。単なる技術発表にとどまらず、業界標準となるベンチマークとデータセットを公開したことで、今後の LLM エージェント開発の品質基準や信頼性評価のあり方を根本から変える可能性を秘めています。

編集コメント

マルチエージェントシステムの「ブラックボックス化」が進む中、その内部で何が起きたかを可視化する手法の確立は極めて重要な一歩です。オープンソース化されたベンチマークを活用すれば、開発者はより迅速にシステムを改善できるようになるでしょう。

Share My Research は Synced のコラムであり、200 万人を超える世界の AI エンタジストに研究者自身が研究成果を共有する場を提供しています。技術的な進歩だけでなく、研究の背後にある興味深い物語や、魅力的な研究アイデアも歓迎します。

著者紹介

所属機関:ペンシルベニア州立大学、デューク大学、Google DeepMind、ワシントン大学、Meta、南洋理工大学、オレゴン州立大学。共筆第一著者は、ペンシルベニア州立大学の Shaokun Zhang とデューク大学の Ming Yin です。

近年、LLM マルチエージェントシステムは、複雑な問題解決における協調アプローチにより広く注目を集めています。しかし、これらのシステムが活発に活動しているにもかかわらずタスクで失敗することはよくあることです。これにより開発者にとって重要な疑問が生じます:どのエージェントが、いつの時点で失敗の原因となったのか?膨大な相互作用ログから根本原因を特定しようとすることは、干し草の山の中で針を見つけるようなものであり、時間と労力を要する作業です。

これは開発者にとってよくある不満です。ますます複雑化するマルチエージェントシステムにおいて、失敗は単に一般的であるだけでなく、エージェント間の自律的な協力や長い情報連鎖のために診断が極めて困難です。失敗の原因を迅速に特定する方法がない場合、システムの反復と最適化は頓挫してしまいます。

この課題に対処するため、ペンシルベニア州立大学とデューク大学の研究者らが、Google DeepMind などの機関との協力を得て、「自動失敗帰属」という新たな研究課題を導入しました。彼らはこのタスクのための最初のベンチマークデータセット「Who&When」を構築し、いくつかの自動帰属手法を開発・評価しました。この研究は、タスクの複雑さを浮き彫りにするだけでなく、LLM マルチエージェントシステムの信頼性を高めるための新たな道筋を示すものです。

本論文は、機械学習分野のトップカンファレンスである ICML 2025 のスポットライト発表として採択され、コードとデータセットは現在完全にオープンソース化されています。

原文を表示

Share My Research is Synced’s column that welcomes scholars to share their own research breakthroughs with over 2M global AI enthusiasts. Beyond technological advances, Share My Research also calls for interesting stories behind the research and exciting research ideas.

Meet the author

Institutions: Penn State University, Duke University, Google DeepMind, University of Washington, Meta, Nanyang Technological University, and Oregon State University. The co-first authors are Shaokun Zhang of Penn State University and Ming Yin of Duke University.

In recent years, LLM Multi-Agent systems have garnered widespread attention for their collaborative approach to solving complex problems. However, it’s a common scenario for these systems to fail at a task despite a flurry of activity. This leaves developers with a critical question: which agent, at what point, was responsible for the failure? Sifting through vast interaction logs to pinpoint the root cause feels like finding a needle in a haystack—a time-consuming and labor-intensive effort.

This is a familiar frustration for developers. In increasingly complex Multi-Agent systems, failures are not only common but also incredibly difficult to diagnose due to the autonomous nature of agent collaboration and long information chains. Without a way to quickly identify the source of a failure, system iteration and optimization grind to a halt.

To address this challenge, researchers from Penn State University and Duke University, in collaboration with institutions including Google DeepMind, have introduced the novel research problem of “Automated Failure Attribution.” They have constructed the first benchmark dataset for this task, Who&When, and have developed and evaluated several automated attribution methods. This work not only highlights the complexity of the task but also paves a new path toward enhancing the reliability of LLM Multi-Agent systems.

The paper has been accepted as a Spotlight presentation at the top-tier machine learning conference, ICML 2025, and the code and dataset are now fully open-source.

![image](data:image/png;base64,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

この記事をシェア

関連記事

Synced Review★42025年8月14日 15:31

どのエージェントがタスク失敗を引き起こし、いつか?PSUとDukeの研究者はLLMマルチエージェントシステムの自動失敗帰属を探究

ペン州立大学とDuke大学の研究者らは、大規模言語モデル(LLM)を用いたマルチエージェントシステムにおいて、タスク失敗の原因となる特定のエージェントと発生時期を自動で特定する手法を開発した。

Synced Review★42025年6月24日 18:17

ByteDance、自律ロボットナビゲーション向け二重モデル「Astra」を発表

ByteDanceは、複雑な屋内環境での自律ロボットナビゲーション課題を解決するため、「Astra」を開発した。これは「現在地」「目的地」「経路」の3つの基本質問に答える二重モデルアーキテクチャであり、従来の手法の限界を克服する革新的な技術である。

Synced Review★42025年6月16日 21:58

MIT研究者が「SEAL」を発表:自己改善型AIへの新たな一歩

MITは「SEAL(Self-Adapting LLMs)」という新フレームワークを発表した。これは大規模言語モデル(LLM)が自身の重みを更新できる仕組みであり、自己進化型AIの実現に向けた重要な進展と見なされている。

今日のまとめ

AI日報で今日の重要ニュースをまとめ読み

ニュース一覧に戻る元記事を読む