多智能体图学习新框架MAAGL：分区专业化推理，结构签名固定大小且置换不变！
Multi-Agent Agentic Graph Learning via Structural Signatures
📖 AI 总结
本文提出多智能体代理图学习框架MAAGL，旨在解决现有代理图学习方法依赖单一共享推理策略、难以适应图结构异质性的问题。该方法将图划分为若干社区，为每个社区分配独立智能体以实现区域专门化，并将结构与语义证据分离处理：结构证据由动态更新、置换不变且尺寸固定的结构签名概括，语义证据则按相关性筛选前k个节点。智能体基于相似签名的历史轨迹估计置信度，并在需要时触发辩论式协作。在四个基准数据集上的实验表明，MAAGL优于当前最先进的代理图学习方法。该工作为图推理中多智能体协作提供了新思路，同时缓解了结构顺序敏感与上下文膨胀两大难题。
🔑 关键词速览
| Agentic Graph Learning (AGL) | 智能体图学习，一种利用大语言模型驱动的智能体在图结构上顺序采样证据并进行推理预测的范式。 |
| Multi-Agent Agentic Graph Learning (MAAGL) | 多智能体智能体图学习，本文提出的框架，将图划分为社区并为每个社区分配独立智能体，实现区域专业化推理。 |
| Structural Signature | 结构签名，一种动态更新、置换不变且大小固定的图结构摘要表示，用于捕捉图的结构证据。 |
| Permutation Invariance | 置换不变性，指图的结构表示在节点重新编号或排列下保持不变的性质，是图神经网络的重要特性。 |
| Debate-Style Collaboration | 辩论式协作，多智能体在置信度不足时通过辩论形式交换意见、协同推理的交互机制。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅