Проблема: когда агенты «подхватывают» чужие ошибки
В долгосрочных мультиагентных системах (Multi-Agent Systems) память накапливается непрерывно. Традиционные подходы к арбитражу памяти (выбору правильного факта) рассматривают каждую запись как независимое доказательство и объединяют их через голосование или взвешивание. Однако это допущение часто терпит крах: разные агенты могут извлекать информацию из одного и того же upstream-источника или разделять одни и те же системные смещения. В результате одно и то же ошибочное или предвзятое «доказательство» учитывается многократно, создавая «Ложное большинство» (False Majority). Авторы называют этот феномен Memory Correlation Bias.
Решение: CAMA и латентное рассуждение
Для борьбы с этим эффектом команда разработала фреймворк CAMA (Correlation-Aware Memory Arbitration). Его ключевая инновация — совместное разделение полученных воспоминаний и восстановление недостающих независимых свидетельств. CAMA моделирует извлеченные данные как группы доказательств, зависящие от запроса, и использует комбинацию нейронного вывода зависимостей и символических априорных знаний о происхождении (provenance) для оценки эффективного количества независимых источников.
Критически важно, что CAMA не просто фильтрует шум, но и учит последовательную политику восстановления. Если критически важные независимые доказательства отсутствуют в первоначальном наборе, система активно ищет альтернативные источники или прослеживает цепочку до вышестоящих источников, прежде чем принять окончательное решение. Это позволяет минимизировать затраты на поиск, сохраняя надежность арбитража.
Результаты и значимость
Эксперименты на множестве бенчмарков показали превосходство CAMA над существующими методами state-of-the-art. Метод эффективно подавляет ложные консенсусы, возникающие из-за коррелированных воспоминаний, что делает его применимым для сложных систем, где важна точность долгосрочной памяти (например, автономные ассистенты или системы анализа данных).
| Аспект | Традиционные методы | CAMA (Новый подход) |
|---|---|---|
| Предположение о данных | Независимые доказательства | Зависимые группы, учитывающие источник |
| Обработка корреляций | Игнорируются (риск ложного большинства) | Выявление и декорреляция через нейросети |
| Поиск доказательств | Статический, по одному запросу | Адаптивный, с политикой восстановления |
| Основная цель | Агрегация мнений | Восстановление независимых источников |
Работа опубликована 20 августа 2026 года в arXiv (cs.AI) авторами Chenchen Lin, Wenhao Yuan, Xuehe Wang и Edith Cheuk Han Ngai.
Источник: arXiv cs.AI ↗