HyperAgent : Exploitation des hypergraphes pour l'optimisation topologique dans la communication multi-agents

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

Les récentes avancées dans les systèmes multi-agents alimentés par des modèles de langage de grande taille ont démontré une intelligence collective remarquable grâce à une communication efficace. Cependant, les approches existantes sont confrontées à deux défis majeurs : (i) une modélisation inefficace de la collaboration de groupe, car elles reposent sur des représentations par paires d'arêtes dans des structures de graphes, limitant leur capacité à capturer les relations entre plusieurs agents ; et (ii) une adaptabilité limitée des topologies de communication aux tâches, entraînant des coûts de communication excessifs pour des tâches simples et une coordination insuffisante pour des scénarios complexes. Ces problèmes restreignent l'évolutivité et le déploiement pratique des cadres de collaboration adaptatifs. Pour relever ces défis, nous proposons HyperAgent, un cadre basé sur les hypergraphes qui optimise les topologies de communication et capture efficacement les modèles de collaboration de groupe en utilisant des représentations directes d'hyperarêtes. Contrairement aux approches basées sur les arêtes, HyperAgent utilise des hyperarêtes pour relier plusieurs agents au sein d'une même sous-tâche et emploie des couches de convolution d'hypergraphes pour réaliser une agrégation d'informations en une étape dans les groupes de collaboration. De plus, il intègre un cadre d'autoencodeur variationnel avec régularisation de parcimonie pour ajuster dynamiquement les topologies d'hypergraphes en fonction de la complexité des tâches. Les expériences mettent en évidence la supériorité d'HyperAgent en termes de performance et d'efficacité. Par exemple, sur GSM8K, HyperAgent atteint une précision de 95,07 % tout en réduisant la consommation de tokens de 25,33 %, démontrant le potentiel de l'optimisation basée sur les hypergraphes pour la communication multi-agents.

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.