論文の概要: Multi-Agent Agentic Graph Learning via Structural Signatures
- arxiv url: http://arxiv.org/abs/2609.09565v1
- Date: Wed, 09 Sep 2026 00:43:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.854387
- Title: Multi-Agent Agentic Graph Learning via Structural Signatures
- Title（参考訳）: 構造信号を用いたマルチエージェントエージェントグラフ学習
- Abstract要約: エージェントグラフ学習(AGL)は近年,グラフ推論タスクにおいて有望な結果を達成している。
既存のメソッドでは、単一のエージェントを使用するか、複数のロールベースのエージェントを編成して、グラフ全体を推論し、学習する。
本稿では,マルチエージェントエージェントグラフ学習(MAAGL)フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 15.798786167030853
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Agentic graph learning (AGL) has recently achieved promising results on graph reasoning tasks, where an agent powered by a large language model (LLM) sequentially samples the graph as evidence to support its final prediction. Existing methods either employ a single agent or orchestrate multiple role-based agents to reason and learn over the entire graph, but both essentially rely on a shared reasoning policy across different graph regions, which can be suboptimal for graphs with heterogeneous structural and semantic patterns. Inspired by the progress of multi-agent collaboration on complex reasoning tasks, a natural remedy is to let multiple agents own different memory and collaborate; however, applying this paradigm to graphs directly faces two challenges. First, existing AGL methods typically verbalize graph structures into natural-language descriptions for LLM agents, making the reasoning process sensitive to the ordering of structural information and thereby breaking the permutation-invariant nature of graphs. Second, incorporating increasingly large sampled neighborhoods leads to rapidly growing contexts. To address these challenges, this paper introduces a multi-agent agentic graph learning (i.e., MAAGL) framework. MAAGL partitions the graph into communities and assigns an independent agent to each community for region-specific specialization. MAAGL represents structural and semantic evidence separately. Structural evidence is summarized by a dynamically updated structural signature that is permutation-invariant and fixed in size, while semantic evidence is filtered to the top-k nodes ranked by relevance. Based on historical trajectories with similar signatures, agents estimate their confidence and trigger debate-style collaboration when needed. Extensive experiments on four benchmark datasets show that MAAGL outperforms SOTA AGL methods.
- Abstract（参考訳）: エージェントグラフ学習(AGL)は、最近、グラフ推論タスクにおいて有望な結果を得た。そこでは、大きな言語モデル(LLM)を利用したエージェントが、その最終的な予測をサポートする証拠として、グラフを順次サンプル化する。
既存の手法では、単一のエージェントを使用するか、複数のロールベースのエージェントを編成してグラフ全体を推論し、学習する。
複雑な推論タスクにおけるマルチエージェントコラボレーションの進展にインスパイアされた自然な救済策は、複数のエージェントが異なるメモリを所有し、協調させることであるが、このパラダイムをグラフに適用することは、直接2つの課題に直面する。
第一に、既存のAGL法はグラフ構造をLLMエージェントの自然言語記述に動詞化し、構造情報の順序に敏感な推論プロセスを作り、それによってグラフの置換不変性を破る。
第二に、大規模なサンプル地区の導入は、急速に成長する状況に繋がる。
これらの課題に対処するために,マルチエージェントエージェントグラフ学習(MAAGL)フレームワークを提案する。
MAAGLはグラフをコミュニティに分割し、地域特化のために各コミュニティに独立したエージェントを割り当てる。
MAAGLは構造的および意味的な証拠を別々に表現している。
構造的エビデンスは動的に更新された構造的シグネチャによって要約され、置換不変でサイズが固定され、セマンティックエビデンスは関連性によってランク付けされたトップkノードにフィルタリングされる。
同様の署名を持つ歴史的な軌跡に基づいて、エージェントは信頼度を見積もり、必要に応じて議論スタイルのコラボレーションをトリガーする。
4つのベンチマークデータセットの大規模な実験は、MAAGLがSOTA AGL法より優れていることを示している。
関連論文リスト
- Inference-Time Graph Engineering for Multi-Agent LLM Workflows [51.56038180639833]
ReActNetは、クエリとロール特化エージェントのセットを一連の有向通信グラフにコンパイルする、トレーニング不要のフレームワークである。
ReActNetは、競争的推論コストを維持しつつ、固定トポロジと学習トポロジのベースラインを一貫して改善することを示す。
論文 参考訳（メタデータ） (2026-09-04T23:32:11Z) - OWLEYE: Zero-Shot Learner for Cross-Domain Graph Data Anomaly Detection [48.77471686671269]
OWLEYEは、複数のグラフから正常な振る舞いの伝達可能なパターンを学習する新しいフレームワークである。
OWLEYEは最先端のベースラインに比べて性能と一般化性が優れていることを示す。
論文 参考訳（メタデータ） (2026-01-27T02:08:18Z) - OFA-MAS: One-for-All Multi-Agent System Topology Design based on Mixture-of-Experts Graph Generative Models [57.94189874119267]
マルチエージェントシステム(MAS)は複雑な問題を解決するための強力なパラダイムを提供する。
現在のグラフ学習に基づく設計手法は、しばしば「1対1」のパラダイムに準拠している。
自然言語で記述されたタスクに対して適応的な協調グラフを生成する一対一のフレームワークOFA-TADを提案する。
論文 参考訳（メタデータ） (2026-01-19T12:23:44Z) - Graph-O1 : Monte Carlo Tree Search with Reinforcement Learning for Text-Attributed Graph Reasoning [7.792321858331646]
Graph-O1はエージェント的なGraphRAGフレームワークで、LCMがグラフ上で段階的にインタラクティブな推論を実行できる。
提案手法はモンテカルロ木探索(MCTS)とエンドツーエンドの強化学習を統合し,最も情報に富む部分グラフの探索と検索を可能にする。
論文 参考訳（メタデータ） (2025-11-26T21:32:04Z) - G-reasoner: Foundation Models for Unified Reasoning over Graph-structured Knowledge [88.82814893945077]
大規模言語モデル(LLM)は複雑な推論において優れているが、静的かつ不完全なパラメトリック知識によって制限される。
最近のグラフ強化RAG (GraphRAG) は、このギャップを補足したグラフを構築し、LLMがそれらを推論できるようにする。
G-reasonerは、様々なグラフ構造化知識を推論するためにグラフと言語基盤モデルを統合した統合フレームワークである。
論文 参考訳（メタデータ） (2025-09-29T04:38:12Z) - Think-on-Graph 3.0: Efficient and Adaptive LLM Reasoning on Heterogeneous Graphs via Multi-Agent Dual-Evolving Context Retrieval [35.65907480060404]
Think-on-Graph 3.0 (ToG-3) は、制約を克服するためにMulti-Agent Context Evolution and Retrieval (MACER) メカニズムを導入した新しいフレームワークである。
我々の中心となる革新は、チャンク・トリプレット・コミュニティ・ヘテロジニアスグラフ指数の動的構築と洗練である。
マルチエージェントシステムは、エビデンス検索、回答生成、十分性、そして決定的に進化するクエリとサブグラフの反復的なプロセスに関与する。
論文 参考訳（メタデータ） (2025-09-26T00:13:10Z) - Youtu-GraphRAG: Vertically Unified Agents for Graph Retrieval-Augmented Complex Reasoning [32.78218766121055]
グラフ検索拡張生成(GraphRAG)は,複雑な推論において,大規模言語モデルを効果的に拡張した。
本稿では,フレームワーク全体を複雑な統合として結合する,垂直に統一されたエージェントパラダイムYoutu-GraphRAGを提案する。
論文 参考訳（メタデータ） (2025-08-27T13:13:20Z) - Graph Counselor: Adaptive Graph Exploration via Multi-Agent Synergy to Enhance LLM Reasoning [4.703280619961521]
GraphRAGは、知識関係を明示的にモデル化することで、外部知識統合機能を効果的に強化する。
既存の方法には2つの固有の制限がある。
マルチエージェント協調に基づくグラフRAG法であるGraph Counselorを提案する。
論文 参考訳（メタデータ） (2025-06-04T13:31:21Z) - Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning [62.640169289390535]
SPLIT-RAGは、質問駆動セマンティックグラフ分割と協調サブグラフ検索による制限に対処するマルチエージェントRAGフレームワークである。
革新的なフレームワークは、まずリンク情報のセマンティック分割を作成し、次にタイプ特化知識ベースを使用してマルチエージェントRAGを実現する。
属性対応グラフセグメンテーションは、知識グラフを意味的に一貫性のあるサブグラフに分割し、サブグラフが異なるクエリタイプと整合することを保証する。
階層的なマージモジュールは、論理的検証を通じて、部分グラフ由来の解答間の矛盾を解消する。
論文 参考訳（メタデータ） (2025-05-20T06:44:34Z) - Scalable and Accurate Graph Reasoning with LLM-based Multi-Agents [27.4884498301785]
GraphAgent-Reasonerは、明示的で正確なグラフ推論のための微調整不要なフレームワークである。
分散グラフ計算理論にインスパイアされた我々のフレームワークは、グラフ問題を複数のエージェント間で分散される小さなノード中心のタスクに分解する。
本フレームワークは,Webページ重要度分析などの実世界のグラフ推論アプリケーションを扱う能力を示す。
論文 参考訳（メタデータ） (2024-10-07T15:34:14Z) - A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。
我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。
GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
論文 参考訳（メタデータ） (2024-06-19T22:30:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。