基于结构签名的多智能体代理式图学习框架
arXiv cs.AI · · 发布于 2026-09-11 · 4 分钟阅读
论文提出多智能体代理式图学习框架 MAAGL，用于解决代理式图学习（AGL）中不同图区域共用同一推理策略的问题。现有方法或采用单一智能体，或编排多个角色型智能体在整个图上推理与学习，但都依赖共享的推理策略，对结构与语义模式异质的图而言并非最优。将多智能体协作直接用于图也面临两个挑战：一是现有方法通常把图结构转述为自然语言描述，使推理过程对结构信息的顺序敏感，破坏了图的排列不变性；二是纳入的采样邻域不断增大，导致上下文迅速膨胀。MAAGL 将图划分为若干社区，并为每个社区分配独立智能体以实现区域专业化，同时分别表示结构与语义证据：结构证据由动态更新、排列不变且规模固定的结构签名概括，语义证据则筛选出按相关性排序的前 k 个节点。智能体基于相似签名的历史轨迹估计自身置信度，并在需要时触发辩论式协作。在四个基准数据集上的实验显示，MAAGL 优于当前最先进的 AGL 方法。
当前来源仅提供摘要，以下要点基于摘要生成；可通过官方原文查看完整信息。研究背景
代理图学习（AGL）在图推理任务上已取得较好结果，通常由大语言模型（LLM）驱动的代理顺序采样图作为证据，进而给出最终预测。
核心问题
现有方法要么使用单一代理，要么编排多个基于角色的代理，但本质上在整个图上共享同一推理策略，对结构与语义模式异质的图区域可能并非最优。
思路来源
受多智能体协作解决复杂推理任务进展的启发，一种自然的改进是让多个代理拥有不同记忆并相互协作。
挑战一：置换不变性被破坏
现有 AGL 方法通常把图结构转写为自然语言描述供 LLM 代理使用，使推理过程对结构信息的排列顺序敏感，从而破坏了图本身具有的置换不变性。
挑战二：上下文膨胀
纳入越来越大的采样邻域会使上下文规模迅速增长。
框架设计：社区划分与代理分配
MAAGL 将图划分为若干社区，并为每个社区分配一个独立代理，实现针对特定区域的专门化。
证据表示分离
MAAGL 将结构证据与语义证据分别表示：结构证据由动态更新的结构签名概括，该签名具备置换不变性且规模固定；语义证据则按相关性排序后保留前 k 个节点。
置信度估计与辩论协作
代理基于具有相似签名的历史轨迹估计自身置信度，并在需要时触发辩论式协作。
实验结果
在四个基准数据集上的大量实验表明，MAAGL 的性能优于当前最先进的 AGL 方法。