arXiv cs.AI· Boxuan Zhang, jianing Zhu, Xiaotian Han, Ruixiang Tang·· 3 天前AI 评分26
Dream2Discern：用困难潜变量变体预测多智能体系统运行时故障
Dream2Discern: Learning from Hard Latent Variants for Runtime Failure Prediction in Multi-Agent Systems
AI 导读
Dream2Discern 是一种运行时审计器，通过自身预测损失引导的隐式增强来训练：Dream 阶段对表示算子施加扰动以生成困难潜变量变体，Discern 阶段用原始标签从这些变体学习预测执行结果，变体随训练不断再生，无需额外采集轨迹或验证结果。在 AFTraj-2K 和 StepShield 上，其轨迹级加权准确率均超过 90%，优于同类故障审计器，并兼顾预测准确性与及时性。
正文 · AI 翻译
摘要：基于 LLM 的多智能体系统的可靠部署需要运行时审计器，能够从观察到的执行前缀预测最终结果。这些审计器通常从有限的结果已验证轨迹语料中学习。扩充该语料需要昂贵的执行和验证，然而仅靠更广泛的失败覆盖并不能提供明确的标准来识别当前审计器难以分类的前缀。为此，我们提出 Dream2Discern，一种通过由其自身预测损失引导的隐式增强训练的运行时审计器。在 Dream 阶段，我们选择审计器表示算子的扰动，以增加在已记录前缀上的预测损失，从而产生困难的潜在变体。在 Discern 阶段，审计器学习使用原始标签从这些变体预测执行结果。随着审计器的学习，变体会被重新生成，将有限的语料转变为可再生的困难样本来源，且无需额外的轨迹收集或结果验证。在 AFTraj-2K 和 StepShield 上的大量评估表明，Dream2Discern 优于有竞争力的失败审计器，并在两个基准上均实现了超过 90% 的轨迹级加权准确率，同时平衡了预测准确性和及时性。项目页面：this https URL
| Comments: | 27 页，6 张图 |
| Subjects: | 机器学习 (cs.LG)；人工智能 (cs.AI)；计算与语言 (cs.CL)；多智能体系统 (cs.MA) |
| Cite as: | arXiv:2610.16071 [cs.LG] |
| （或 arXiv:2610.16071v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.16071 arXiv 颁发的 DOI 通过 DataCite（待注册） |
Submission history
来自：Boxuan Zhang [查看邮箱]
[v1]
2026 年 10 月 12 日星期一 02:19:44 UTC（2,014 KB）
来源：arXiv cs.AI · arxiv.org