通过结构签名实现多Agent图学习

智能体图学习（AGL）最近在图推理任务上取得了有希望的结果，其中由大型语言模型（LLM）支持的智能体对图进行顺序采样作为支持其最终预测的证据。现有的方法要么采用单个智能体，要么编排多个基于角色的智能体来推理和学习整个图，但这两种方法本质上都依赖于跨不同图区域的共享推理策略，这对于具有异构结构和语义模式的图来说可能不是最佳的。受到多智能体协作在复杂推理任务上取得的进展的启发，一种自然的补救措施是让多个智能体拥有不同的记忆并进行协作；然而，将这种范式直接应用于图表面临两个挑战。首先，现有的 AGL 方法通常将图结构语言化为 LLM 智能体的自然语言描述，使推理过程对结构信息的顺序敏感，从而打破了图的排列不变性。其次，纳入越来越大的样本社区会导致环境快速增长。为了应对这些挑战，本文引入了多智能体智能体图学习（即 MAAGL）框架。 MAAGL 将图划分为社区，并为每个社区分配一个独立的智能体，以实现特定区域的专业化。 MAAGL 分别表示结构证据和语义证据。结构证据通过动态更新的结构签名进行总结，该结构签名是排列不变且大小固定的，而语义证据则被过滤到按相关性排名的前 k 个节点。根据具有相似特征的历史轨迹，智能体会评估他们的信心，并在需要时触发辩论式合作。对四个基准数据集的大量实验表明，MAAGL 优于 SOTA AGL 方法。