Проблема существующих методов AGL
Agentic Graph Learning (AGL) позволяет агентам на базе больших языковых моделей (LLM) последовательно исследовать графы для принятия решений. Однако текущие подходы, использующие одного агента или группу ролевых агентов, опираются на общую политику рассуждений. Это неэффективно для графов с гетерогенными структурами. Кроме того, вербализация структур в текст делает процесс чувствительным к порядку обхода, нарушая перестановочную инвариантность графов, а рост соседних узлов приводит к переполнению контекста LLM.
Решение: MAAGL и структурные сигнатуры
Новый фреймворк Multi-Agent Agentic Graph Learning (MAAGL) предлагает два ключевых技术创新:
- Разделение на сообщества: Граф разбивается на сообщества, и каждому назначается отдельный агент для специализации в своем регионе.
- Структурные сигнатуры: Структурные доказательства суммируются в фиксированный по размеру, перестановочно-инвариантный «сигнатурный» вектор. Семантические доказательства фильтруются до топ-k наиболее релевантных узлов.
Механизм коллаборации
Агенты оценивают свою уверенность на основе исторических траекторий с похожими сигнатурами. Если уверенность низка, запускается механизм «дебатов» (debate-style collaboration), где агенты обмениваются аргументами для улучшения итогового предсказания.
Результаты и значимость
Эксперименты на четырех бенчмарках показали, что MAAGL превосходит существующие методы SOTA в области AGL. Этот подход открывает путь к более масштабируемому и точному анализу сложных графовых данных, таких как социальные сети или биологические взаимодействия, где важна как структура, так и семантика.
Источник: arXiv cs.AI ↗