HyperAgent: Utilizando Hipergrafos para Otimização de Topologia em Comunicação Multiagente

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

October 12, 2025

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

cs.AI

Resumo

Avanços recentes em sistemas multiagentes impulsionados por modelos de linguagem de grande escala demonstraram uma inteligência coletiva notável por meio de comunicação eficaz. No entanto, as abordagens existentes enfrentam dois desafios principais: (i) Modelagem ineficaz da colaboração em grupo, uma vez que dependem de representações de arestas pareadas em estruturas de grafos, limitando sua capacidade de capturar relacionamentos entre múltiplos agentes; e (ii) Adaptabilidade limitada ao design da topologia de comunicação para tarefas específicas, resultando em custo excessivo de comunicação para tarefas simples e coordenação insuficiente para cenários complexos. Esses problemas restringem a escalabilidade e a implantação prática de frameworks de colaboração adaptativa. Para abordar esses desafios, propomos o HyperAgent, um framework baseado em hipergrafos que otimiza topologias de comunicação e captura efetivamente padrões de colaboração em grupo usando representações diretas de hiperarestas. Diferente das abordagens baseadas em arestas, o HyperAgent utiliza hiperarestas para conectar múltiplos agentes dentro da mesma subtarefa e emprega camadas convolucionais de hipergrafos para alcançar agregação de informação em um único passo em grupos de colaboração. Além disso, incorpora um framework de autoencoder variacional com regularização de esparsidade para ajustar dinamicamente as topologias de hipergrafos com base na complexidade da tarefa. Experimentos destacam a superioridade do HyperAgent tanto em desempenho quanto em eficiência. Por exemplo, no GSM8K, o HyperAgent alcança 95,07% de precisão enquanto reduz o consumo de tokens em 25,33%, demonstrando o potencial da otimização baseada em hipergrafos para comunicação multiagente.

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.