HyperAgent: マルチエージェント通信におけるトポロジー最適化のためのハイパーグラフ活用

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

October 12, 2025

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

cs.AI

要旨

大規模言語モデルを活用したマルチエージェントシステムの最近の進展は、効果的なコミュニケーションを通じて顕著な集団的知能を実証している。しかし、既存のアプローチには2つの主要な課題がある。(i) グラフ構造におけるペアワイズなエッジ表現に依存しているため、複数のエージェント間の関係を捉える能力が制限され、グループ協力のモデリングが非効率であること。(ii) コミュニケーショントポロジーの設計におけるタスク適応性が限られており、単純なタスクでは過剰なコミュニケーションコストが発生し、複雑なシナリオでは十分な調整が得られないこと。これらの問題は、適応的協力フレームワークのスケーラビリティと実用的な展開を制限している。これらの課題に対処するため、我々はHyperAgentを提案する。これは、ハイパーグラフベースのフレームワークであり、直接的なハイパーエッジ表現を用いてコミュニケーショントポロジーを最適化し、グループ協力パターンを効果的に捉える。エッジベースのアプローチとは異なり、HyperAgentはハイパーエッジを使用して同じサブタスク内の複数のエージェントをリンクし、ハイパーグラフ畳み込み層を利用して協力グループ内でのワンステップ情報集約を実現する。さらに、スパース正則化を組み込んだ変分オートエンコーダフレームワークを採用し、タスクの複雑さに基づいてハイパーグラフトポロジーを動的に調整する。実験結果は、HyperAgentの性能と効率の優位性を強調している。例えば、GSM8Kにおいて、HyperAgentは95.07%の精度を達成しつつ、トークン消費量を25.33%削減し、マルチエージェントコミュニケーションにおけるハイパーグラフベースの最適化の可能性を示している。

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.