多智能体代理图学习：基于结构签名的方法
摘要：代理图学习（AGL）近期在图推理任务上取得了令人瞩目的成果，其中由大语言模型（LLM）驱动的智能体通过顺序采样图作为证据来支持其最终预测。现有方法要么采用单一智能体，要么编排多个基于角色的智能体在整个图上进行推理和学习，但两者本质上都依赖于跨不同图区域的共享推理策略，这对于具有异质结构和语义模式的图而言可能是次优的。受多智能体协作在复杂推理任务上取得进展的启发，一种自然的补救方法是让多个智能体拥有不同的记忆并进行协作；然而，将此范式直接应用于图上面临两个挑战。首先，现有的 AGL 方法通常将图结构转化为自然语言描述供 LLM 智能体使用，这使得推理过程对结构信息的顺序敏感，从而破坏了图的置换不变性。其次，引入越来越大的采样邻域会导致上下文迅速增长。为解决这些挑战，本文提出了一种多智能体代理图学习（即 MAAGL）框架。MAAGL 将图划分为多个社区，并为每个社区分配一个独立的智能体以实现区域特定的专业化。MAAGL 分别表示结构证据和语义证据。结构证据通过动态更新的结构签名进行总结，该签名具有置换不变性且大小固定；语义证据则按相关性排序过滤至 top-k 节点。基于具有相似签名的历史轨迹，智能体估计其置信度，并在需要时触发辩论式协作。在四个基准数据集上的大量实验表明，MAAGL 优于最先进的 AGL 方法。