AgentDropoutV2: Optimalisatie van Informatieflow in Multi-Agent Systemen via Test-Time Rectificatie-of-Verwerping Snoei

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

Samenvatting

Hoewel Multi-Agent Systemen (MAS) uitblinken in complex redeneren, hebben zij te lijden onder het cascade-effect van foutieve informatie die gegenereerd wordt door individuele deelnemers. Bestaande oplossingen grijpen vaak terug op rigide structurele engineering of kostelijke fine-tuning, wat hun inzetbaarheid en aanpasbaarheid beperkt. Wij stellen AgentDropoutV2 voor, een test-time 'rectify-or-reject' pruning-framework, ontworpen om de MAS-informatieflow dynamisch te optimaliseren zonder hertraining. Onze aanpak fungeert als een actieve firewall, die agent-output onderschept en een retrieval-augmented rectifier inzet om fouten iteratief te corrigeren op basis van een failure-driven indicatorpool. Dit mechanisme maakt een nauwkeurige identificatie van potentiële fouten mogelijk door gedistilleerde foutpatronen als voorkennis te gebruiken. Onherstelbare outputs worden vervolgens weggesnoeid om foutpropagatie te voorkomen, terwijl een fallback-strategie de systeemintegriteit waarborgt. Empirische resultaten op uitgebreide wiskundige benchmarks tonen aan dat AgentDropoutV2 de taakprestaties van het MAS aanzienlijk verbetert, met een gemiddelde nauwkeurigheidswinst van 6,3 procentpunten op wiskundige benchmarks. Verder vertoont het systeem robuuste generalisatie en adaptiviteit, door rectificatie-inspanningen dynamisch te moduleren op basis van taakmoeilijkheid en tegelijkertijd contextbewuste indicatoren te benutten om een breed scala aan foutpatronen op te lossen. Onze code en dataset zijn vrijgegeven op 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.