HyperAgent: Nutzung von Hypergraphen zur Topologieoptimierung in der Multi-Agenten-Kommunikation

HyperAgent: Leveraging Hypergraphs for Topology Optimization in Multi-Agent Communication

October 12, 2025

papers.authors: Heng Zhang, Yuling Shi, Xiaodong Gu, Zijian Zhang, Haochen You, Lubin Gan, Yilei Yuan, Jin Huang

cs.AI

papers.abstract

Jüngste Fortschritte in Multi-Agenten-Systemen, die durch große Sprachmodelle unterstützt werden, haben bemerkenswerte kollektive Intelligenz durch effektive Kommunikation demonstriert. Bestehende Ansätze stehen jedoch vor zwei Hauptherausforderungen: (i) Ineffektive Modellierung der Gruppenkollaboration, da sie auf paarweisen Kantendarstellungen in Graphenstrukturen basieren, was ihre Fähigkeit einschränkt, Beziehungen zwischen mehreren Agenten zu erfassen; und (ii) begrenzte Aufgabenanpassungsfähigkeit im Design der Kommunikationstopologie, was zu übermäßigen Kommunikationskosten für einfache Aufgaben und unzureichender Koordination für komplexe Szenarien führt. Diese Probleme schränken die Skalierbarkeit und praktische Anwendung von adaptiven Kollaborationsframeworks ein. Um diese Herausforderungen zu bewältigen, schlagen wir HyperAgent vor, ein hypergraphbasiertes Framework, das Kommunikationstopologien optimiert und Gruppenkollaborationsmuster effektiv durch direkte Hyperkantendarstellungen erfasst. Im Gegensatz zu kantenbasierten Ansätzen verwendet HyperAgent Hyperkanten, um mehrere Agenten innerhalb derselben Teilaufgabe zu verbinden, und setzt Hypergraph-Faltungsschichten ein, um eine schrittweise Informationsaggregation in Kollaborationsgruppen zu erreichen. Zusätzlich integriert es ein Variational-Autoencoder-Framework mit Sparsity-Regularisierung, um Hypergraphtopologien dynamisch basierend auf der Aufgabenkomplexität anzupassen. Experimente unterstreichen die Überlegenheit von HyperAgent sowohl in der Leistung als auch in der Effizienz. Beispielsweise erreicht HyperAgent auf GSM8K eine Genauigkeit von 95,07 %, während der Tokenverbrauch um 25,33 % reduziert wird, was das Potenzial der hypergraphbasierten Optimierung für die Multi-Agenten-Kommunikation demonstriert.

English

Recent advances in large language model-powered multi-agent systems have demonstrated remarkable collective intelligence through effective communication. However, existing approaches face two primary challenges: (i) Ineffective group collaboration modeling, as they rely on pairwise edge representations in graph structures, limiting their ability to capture relationships among multiple agents; and (ii) Limited task-adaptiveness in communication topology design, leading to excessive communication cost for simple tasks and insufficient coordination for complex scenarios. These issues restrict the scalability and practical deployment of adaptive collaboration frameworks. To address these challenges, we propose HyperAgent, a hypergraph-based framework that optimizes communication topologies and effectively captures group collaboration patterns using direct hyperedge representations. Unlike edge-based approaches, HyperAgent uses hyperedges to link multiple agents within the same subtask and employs hypergraph convolutional layers to achieve one-step information aggregation in collaboration groups. Additionally, it incorporates a variational autoencoder framework with sparsity regularization to dynamically adjust hypergraph topologies based on task complexity. Experiments highlight the superiority of HyperAgent in both performance and efficiency. For instance, on GSM8K, HyperAgent achieves 95.07\% accuracy while reducing token consumption by 25.33\%, demonstrating the potential of hypergraph-based optimization for multi-agent communication.