Dream2Discern: Learning from Hard Latent Variants for Runtime Failure Prediction in Multi-Agent Systems
Dream2Discern：从困难潜在变体学习多智能体系统运行时失败预测
🧭 多智能体系统 · 运行时审计
Rutgers University · The University of Texas at Austin
用自预测损失引导的隐式增广，把有限轨迹语料变成可再生难例源，提升多智能体失败审计
📌 工作参考价值（4 点）
- 在电商/广告的 Agent 流水线（如购物助手、广告投放 Agent、搜索多工具调用）中，可训练轻量运行时审计器，只从执行前缀预测最终失败概率；达到阈值时提前终止或降级为规则/检索/人工确认，减少高风险工具调用和外部系统误操作。
- 数据受限场景可借鉴 Dream 阶段的隐式增广：不采集新轨迹，而是对审计器表示算子做可学习扰动，构造让当前模型预测损失增大的 latent variants，再按原始标签训练。这种方式类似 hard negative mining，但发生在隐蔽空间，适合轨迹/会话/行为序列标注昂贵的问题。
- 注意审计器的 '表征算子' 选择与扰动强度需要平衡：过大扰动会引入噪声，过小则难例不足；可参考其按预测损失反馈、随训练迭代重新生成 variants 的做法，把有限样本做成可持续更新的难例池。
- 评估不要只看最终准确率，应引入 trajectory-level weighted accuracy 和预测及时性指标；对在线系统更有意义，能帮助选择既能早停又不误杀正常任务的审计阈值。