HyperAgent: Использование гиперграфов для оптимизации топологии в коммуникации мультиагентных систем

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

October 12, 2025

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

cs.AI

Аннотация

Последние достижения в области мультиагентных систем, основанных на крупных языковых моделях, продемонстрировали впечатляющий коллективный интеллект благодаря эффективной коммуникации. Однако существующие подходы сталкиваются с двумя основными проблемами: (i) Неэффективное моделирование группового взаимодействия, поскольку они полагаются на попарные представления связей в графовых структурах, что ограничивает их способность учитывать отношения между несколькими агентами; и (ii) Ограниченная адаптивность проектирования топологии коммуникации к задачам, что приводит к избыточным затратам на коммуникацию для простых задач и недостаточной координации в сложных сценариях. Эти проблемы ограничивают масштабируемость и практическое применение адаптивных фреймворков для совместной работы. Для решения этих задач мы предлагаем HyperAgent — фреймворк на основе гиперграфов, который оптимизирует топологии коммуникации и эффективно учитывает паттерны группового взаимодействия с использованием прямых представлений гиперребер. В отличие от подходов, основанных на ребрах, HyperAgent использует гиперребра для связи нескольких агентов в рамках одной подзадачи и применяет сверточные слои гиперграфов для одношаговой агрегации информации в группах взаимодействия. Кроме того, он включает фреймворк вариационного автоэнкодера с регуляризацией разреженности для динамической настройки топологий гиперграфов в зависимости от сложности задачи. Эксперименты подчеркивают превосходство HyperAgent как по производительности, так и по эффективности. Например, на GSM8K HyperAgent достигает точности 95,07%, сокращая потребление токенов на 25,33%, что демонстрирует потенциал оптимизации коммуникации мультиагентных систем на основе гиперграфов.

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.