HyperAgent: Sfruttare gli ipergrafi per l'ottimizzazione topologica nella comunicazione multi-agente

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

October 12, 2025

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

cs.AI

Abstract

I recenti progressi nei sistemi multi-agente basati su modelli linguistici di grandi dimensioni hanno dimostrato una notevole intelligenza collettiva attraverso una comunicazione efficace. Tuttavia, gli approcci esistenti affrontano due principali sfide: (i) una modellizzazione inefficace della collaborazione di gruppo, poiché si basano su rappresentazioni di coppie di nodi (edge) nelle strutture a grafo, limitando la loro capacità di catturare le relazioni tra più agenti; e (ii) una limitata adattabilità al compito nella progettazione della topologia di comunicazione, che porta a costi di comunicazione eccessivi per compiti semplici e a una coordinazione insufficiente per scenari complessi. Questi problemi limitano la scalabilità e l'implementazione pratica di framework di collaborazione adattativi. Per affrontare queste sfide, proponiamo HyperAgent, un framework basato su ipergrafi che ottimizza le topologie di comunicazione e cattura efficacemente i modelli di collaborazione di gruppo utilizzando rappresentazioni dirette di iperarchi. A differenza degli approcci basati su edge, HyperAgent utilizza iperarchi per collegare più agenti all'interno dello stesso sottocompito e impiega strati convoluzionali su ipergrafi per ottenere un'aggregazione delle informazioni in un solo passaggio nei gruppi di collaborazione. Inoltre, incorpora un framework di autoencoder variazionale con regolarizzazione sparsa per adattare dinamicamente le topologie degli ipergrafi in base alla complessità del compito. Gli esperimenti evidenziano la superiorità di HyperAgent sia in termini di prestazioni che di efficienza. Ad esempio, su GSM8K, HyperAgent raggiunge un'accuratezza del 95,07% riducendo il consumo di token del 25,33%, dimostrando il potenziale dell'ottimizzazione basata su ipergrafi per la comunicazione multi-agente.

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.