AgentDropoutV2 : Optimisation du flux d'informations dans les systèmes multi-agents par élagage rectifier-ou-rejeter en phase de test

AgentDropoutV2: Optimizing Information Flow in Multi-Agent Systems via Test-Time Rectify-or-Reject Pruning

February 26, 2026

Auteurs: Yutong Wang, Siyuan Xiong, Xuebo Liu, Wenkang Zhou, Liang Ding, Miao Zhang, Min Zhang

cs.AI

Résumé

Si les systèmes multi-agents (SMA) excellent dans le raisonnement complexe, ils souffrent de l'impact en cascade des informations erronées générées par les participants individuels. Les solutions actuelles ont souvent recours à une ingénierie structurelle rigide ou à un ajustement fin coûteux, limitant ainsi leur déployabilité et leur adaptabilité. Nous proposons AgentDropoutV2, un cadre d'élagage rectifier-ou-rejeter en temps de test conçu pour optimiser dynamiquement le flux d'information des SMA sans réentraînement. Notre approche agit comme un pare-feu actif, interceptant les sorties des agents et employant un rectificateur augmenté par retrieval pour corriger itérativement les erreurs sur la base d'un pool d'indicateurs piloté par les échecs. Ce mécanisme permet l'identification précise des erreurs potentielles en utilisant des patterns d'échec distillés comme connaissance a priori. Les sorties irréparables sont ensuite élaguées pour empêcher la propagation des erreurs, tandis qu'une stratégie de repli préserve l'intégrité du système. Les résultats empiriques sur de vastes benchmarks mathématiques montrent qu'AgentDropoutV2 améliore significativement la performance des SMA aux tâches, obtenant un gain de précision moyen de 6,3 points de pourcentage sur les benchmarks mathématiques. De plus, le système présente une généralisation et une adaptabilité robustes, modulant dynamiquement les efforts de rectification en fonction de la difficulté de la tâche tout en exploitant des indicateurs sensibles au contexte pour résoudre un large spectre de patterns d'erreur. Notre code et notre jeu de données sont disponibles à l'adresse https://github.com/TonySY2/AgentDropoutV2.

English

While Multi-Agent Systems (MAS) excel in complex reasoning, they suffer from the cascading impact of erroneous information generated by individual participants. Current solutions often resort to rigid structural engineering or expensive fine-tuning, limiting their deployability and adaptability. We propose AgentDropoutV2, a test-time rectify-or-reject pruning framework designed to dynamically optimize MAS information flow without retraining. Our approach acts as an active firewall, intercepting agent outputs and employing a retrieval-augmented rectifier to iteratively correct errors based on a failure-driven indicator pool. This mechanism allows for the precise identification of potential errors using distilled failure patterns as prior knowledge. Irreparable outputs are subsequently pruned to prevent error propagation, while a fallback strategy preserves system integrity. Empirical results on extensive math benchmarks show that AgentDropoutV2 significantly boosts the MAS's task performance, achieving an average accuracy gain of 6.3 percentage points on math benchmarks. Furthermore, the system exhibits robust generalization and adaptivity, dynamically modulating rectification efforts based on task difficulty while leveraging context-aware indicators to resolve a wide spectrum of error patterns. Our code and dataset are released at https://github.com/TonySY2/AgentDropoutV2.