HASTE: Evolving Agent Harnesses Against Emerging Attacks Using Sparse Evidence
Xiqiao Xiong, Moxin Li, Zhixin Ma, Ouxiang Li, Wenjie Wang
実装難易度
Hard
推論・学習コスト
Medium
想定用途
生成
概要
Agent harnesses play a critical role in defenses by enforcing safety constraints to prevent unsafe actions. However, rapidly emerging attacks outpace manual harness adaptation, motivating automated harness evolution. Yet the signals available for harness evolution are often sparse, such as brief descriptions or a few attack examples in threat reports and preprints. To address this limitation, we…
何が新しいか
Agent harnesses play a critical role in defenses by enforcing safety constraints to prevent unsafe actions. However, rapidly emerging attacks outpace manual harness adaptation, motivating automated…
何に使えるか
生成
実装情報
- Paper URL
- あり
- GitHub URL
- あり
実装チェックリスト
実装または配布ページ
OKコードまたはモデル配布ページから検証を始められます。
一次情報リンク
OKPaper / GitHub
検証しやすさ
要確認大規模モデル、生成、強化学習など再現コストが高い要素を含みます。
計算資源
未取得推論中心なら軽めですが、再学習時はGPUが必要になる可能性があります。
ライセンス
未取得配布元のLICENSE、モデルカード、Paperの利用条件を確認してください。
商用利用
未取得研究利用限定、データセット由来制限、API規約の有無を確認してください。
自社データで試すなら
製造業・材料開発のExcel/CSVデータに落とし込むための最初の手順です。
- 1まず自社データを、入力条件、目的変数、評価したい指標に分けて整理します。
- 2LightGBMやRandom Forestなどのベースラインを先に作り、この手法と比較します。
- 3評価指標はR2/RMSE、AUC、異常検知の再現率、実験回数削減率など、現場の意思決定に近いものを選びます。
- 4SHAPや特徴量重要度で、効いている因子が物理・化学・工程知識と矛盾しないか確認します。
実装難易度
Hard - 大規模モデル、生成、強化学習など再現コストが高い要素を含みます。
必要リソース
- GPU目安: Medium
- データセット: 論文・リポジトリ側の指定を確認してください。
- 学習要否: 再学習や評価環境の準備が必要になる可能性があります。
- 推論中心なら軽めですが、再学習時はGPUが必要になる可能性があります。
実務で使う場合の注意点
- ライセンスと商用利用条件は、Paper / GitHub / Hugging Face の配布元で確認してください。
- 精度、再現性、計算コストはデータセットや評価条件に依存します。
- 個人情報や機密データを扱う場合は、入力データの保存先と外部API利用条件を確認してください。
関連記事
Learning When to Commit from Partial Speech for End-to-End Simultaneous Speech Translation
Simultaneous speech translation must emit useful target text before the source is complete while preserving ev
AgSpec: Pushing the Limits of Retrieval-Based Speculative Decoding in Coding Agent Pipelines
Retrieval-based speculative decoding (SD) drafts tokens by copying continuations from existing text, which sui
Peer Influence across Heterogeneous AI Models
When two AI agents disagree, who persuades whom? As multi-agent systems increasingly combine language models o
Continual Reinforcement Learning with Neuroevolution
Despite many studies about causes and remedies of plasticity loss in Reinforcement Learning (RL) under continu