HyperAgent: Gebruik van Hypergrafen voor Topologieoptimalisatie in Multi-Agent Communicatie

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

October 12, 2025

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

cs.AI

Samenvatting

Recente ontwikkelingen in multi-agent systemen aangedreven door grote taalmodellen hebben opmerkelijke collectieve intelligentie getoond door effectieve communicatie. Bestaande benaderingen kampen echter met twee belangrijke uitdagingen: (i) Ineffectieve modellering van groepssamenwerking, omdat ze vertrouwen op paarsgewijze edge-representaties in grafische structuren, wat hun vermogen beperkt om relaties tussen meerdere agents te vatten; en (ii) Beperkte taakadaptiviteit in het ontwerp van communicatietopologieën, wat leidt tot overmatige communicatiekosten voor eenvoudige taken en onvoldoende coördinatie voor complexe scenario's. Deze problemen beperken de schaalbaarheid en praktische inzet van adaptieve samenwerkingsframeworks. Om deze uitdagingen aan te pakken, stellen we HyperAgent voor, een hypergraph-gebaseerd framework dat communicatietopologieën optimaliseert en groepssamenwerkingspatronen effectief vastlegt met behulp van directe hyperedge-representaties. In tegenstelling tot edge-gebaseerde benaderingen, gebruikt HyperAgent hyperedges om meerdere agents binnen dezelfde subtask te verbinden en maakt het gebruik van hypergraph convolutionele lagen om éénstaps informatie-aggregatie in samenwerkingsgroepen te bereiken. Daarnaast integreert het een variational autoencoder-framework met sparsity-regularisatie om hypergraph-topologieën dynamisch aan te passen op basis van taakcomplexiteit. Experimenten benadrukken de superioriteit van HyperAgent in zowel prestaties als efficiëntie. Op GSM8K behaalt HyperAgent bijvoorbeeld een nauwkeurigheid van 95,07% terwijl het tokenverbruik met 25,33% wordt verminderd, wat het potentieel van hypergraph-gebaseerde optimalisatie voor multi-agent communicatie aantoont.

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.