张量分解量化 LLM 多主体系统不确定性
机器学习
2026-04-13 v1 人工智能
计算与语言
摘要
尽管基于大型语言模型的多主体系统 (MAS) 在复杂任务上持续超越单主体系统，但其复杂的相互作用引入了因通信动态和角色依赖性而引发的关键可靠性挑战。现有不确定性量化方法通常针对单轮输出设计，无法针对 MAS 的独特复杂性进行针对性处理。具体而言，这些方法在三个方面存在挑战：多步推理中的级联不确定性、主体间通信路径的可变性以及通信拓扑的多样性。为弥合这一差距，本文提出了 MATU 框架，通过张量分解来量化不确定性。MATU 不仅分析最终文本输出，更将整个推理轨迹表示为嵌入矩阵，并将多个执行运行组织成高阶张量。通过张量分解，我们解耦并量化了不同来源的不确定性，提供一种可跨不同主体结构通用的全面可靠性度量。我们进行了全面实验，表明 MATU 在不同任务和通信拓扑下均能有效估计整体且稳健的不确定性。
引用
@article{arxiv.2604.08708,
title = {Every Response Counts: Quantifying Uncertainty of LLM-based Multi-Agent Systems through Tensor Decomposition},
author = {Tiejin Chen and Huaiyuan Yao and Jia Chen and Evangelos E. Papalexakis and Hua Wei},
journal= {arXiv preprint arXiv:2604.08708},
year = {2026}
}
备注
Accept to ACL 26