AgentDropoutV2: Ottimizzazione del Flusso Informativo nei Sistemi Multi-Agente tramite Potatura di Rettifica o Rifiuto al Momento del Test

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

February 26, 2026

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

cs.AI

Abstract

Sebbene i sistemi multi-agente (MAS) eccellano nel ragionamento complesso, soffrono dell'effetto a cascata delle informazioni errate generate dai singoli partecipanti. Le soluzioni attuali ricorrono spesso a rigide ingegnerizzazioni strutturali o a costosi processi di fine-tuning, limitandone la distribuibilità e l'adattabilità. Proponiamo AgentDropoutV2, un framework di potatura "rettifica-o-scarta" applicabile al tempo di test, progettato per ottimizzare dinamicamente il flusso informativo dei MAS senza necessità di riaddestramento. Il nostro approccio funge da firewall attivo, intercettando gli output degli agenti e impiegando un rettificatore aumentato tramite retrieval per correggere iterativamente gli errori basandosi su un pool di indicatori guidati dai fallimenti. Questo meccanismo consente l'identificazione precisa di potenziali errori utilizzando pattern di fallimento distillati come conoscenza a priori. Gli output irreparabili vengono successivamente potati per prevenire la propagazione degli errori, mentre una strategia di fallback preserva l'integrità del sistema. I risultati empirici su estesi benchmark matematici dimostrano che AgentDropoutV2 migliora significativamente le prestazioni del MAS nei compiti, raggiungendo un guadagno medio di accuratezza di 6,3 punti percentuali sui benchmark matematici. Inoltre, il sistema mostra una robusta generalizzazione e adattività, modulando dinamicamente gli sforzi di rettifica in base alla difficoltà del compito, sfruttando al contempo indicatori context-aware per risolvere un'ampia gamma di pattern di errore. Il nostro codice e dataset sono rilasciati su 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.