MasFACT：通过几何感知后向迁移进行持续多智能体拓扑学习

由 大语言模型 (LLM) 支持的多代理系统 (MAS) 已成为解决复杂问题的强大范例，其中性能关键取决于底层代理间通信拓扑。然而，现有的拓扑生成方法主要针对孤立的任务进行优化，而现实世界的部署涉及不断演变的任务流，需要保留和重用以前有效的协作模式，而不是重新发现或覆盖。我们发现了一种先前未充分探索的故障模式，\emph{拓扑遗忘}，其中适应新任务使拓扑生成器偏离了早期任务所需的通信结构。这个问题源于代理级功能语义和关系通信结构中的跨任务错位。为了应对这一挑战，我们提出了 \textbf{\textsc{MasFACT}}，一种几何感知的后验迁移框架，它保留并重用历史协作知识作为可迁移的拓扑先验。我们通过融合 Gromov-Wasserstein 最优传输将这些先验跨过任务特定的代理空间，并执行 PAC-Bayes 引导的保守后验适应，以平衡任务特定的可塑性与结构稳定性。跨类、域和任务级连续设置的实验表明，与强大的拓扑生成和基于重放的基线相比， \textsc{MasFACT} 持续提高了平均准确度，同时减少了拓扑遗忘，并且可以与不同的 MAS 拓扑生成器无缝集成。