HyperAgent: Aprovechamiento de Hipergrafías para la Optimización de Topología en Comunicación Multiagente

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

October 12, 2025

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

cs.AI

Resumen

Los avances recientes en sistemas multiagente impulsados por modelos de lenguaje de gran escala han demostrado una notable inteligencia colectiva a través de una comunicación efectiva. Sin embargo, los enfoques existentes enfrentan dos desafíos principales: (i) Modelado ineficaz de la colaboración grupal, ya que dependen de representaciones de aristas por pares en estructuras de grafos, lo que limita su capacidad para capturar relaciones entre múltiples agentes; y (ii) Limitada adaptabilidad a la tarea en el diseño de topologías de comunicación, lo que genera un costo excesivo de comunicación para tareas simples y una coordinación insuficiente para escenarios complejos. Estos problemas restringen la escalabilidad y el despliegue práctico de marcos de colaboración adaptativos. Para abordar estos desafíos, proponemos HyperAgent, un marco basado en hipergrafos que optimiza las topologías de comunicación y captura eficazmente los patrones de colaboración grupal utilizando representaciones directas de hiperaristas. A diferencia de los enfoques basados en aristas, HyperAgent utiliza hiperaristas para vincular múltiples agentes dentro de la misma subtarea y emplea capas convolucionales de hipergrafos para lograr una agregación de información en un solo paso en grupos de colaboración. Además, incorpora un marco de autoencoder variacional con regularización de dispersión para ajustar dinámicamente las topologías de hipergrafos según la complejidad de la tarea. Los experimentos destacan la superioridad de HyperAgent tanto en rendimiento como en eficiencia. Por ejemplo, en GSM8K, HyperAgent alcanza un 95.07% de precisión mientras reduce el consumo de tokens en un 25.33%, demostrando el potencial de la optimización basada en hipergrafos para la comunicación multiagente.

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.