EquiMem：经博弈论均衡校准多智能体辩论中的共享记忆

多智能体辩论（MAD）系统越来越依赖共享内存来支持长视野推理，但这种便利带来了一个严重的漏洞：单个损坏的条目可能会污染下游的内存增强推理，而仅靠辩论无法过滤此类错误。现有的防护措施通过启发式或基于 LLM 的验证来过滤条目，但它们依赖于具有相同故障模式的人工智能判断，并忽略了 MAD 的跨代理动态。我们通过将 MAD 中的记忆更新制定为零信任记忆游戏来解决这一差距，其中没有代理被假定为诚实的，并且游戏的平衡充当最佳记忆信任的指标。在这种平衡的指导下，我们提出了 EquiMem，一种推理时间校准机制，它使用代理现有的检索查询和遍历路径作为证据，通过算法对共享内存状态的每次更新进行量化，而不是征求任何 LLM 判断。 EquiMem 对基于嵌入和基于图形的内存进行实例化校准，并且在不同的基准、MAD 框架和内存架构中，它始终优于现有的防护措施，在对抗代理下保持稳健，并且产生的推理开销可以忽略不计。