MasFACT：基于几何感知后验迁移的持续多智能体拓扑学习
机器学习
2026-05-19 v1 人工智能
摘要
由大型语言模型（LLM）驱动的多智能体系统（MAS）已成为解决复杂问题的强大范式，其中性能严重依赖于底层的智能体间通信拓扑结构。然而，现有的拓扑生成方法主要针对孤立任务进行优化，而实际部署中涉及不断演化的任务流，要求之前有效的协作模式被保留和重用，而非重新发现或覆盖。我们识别出一种此前鲜有人关注的失效模式——“拓扑遗忘”（topology forgetting），即适应新任务时，拓扑生成器偏离先前任务所需的通信结构。这一问题源于智能体级功能语义和关系型通信结构之间的跨任务错位。为解决此挑战，我们提出了—基于几何感知后验迁移—的框架—MasFACT—以可迁移的拓扑先验形式保存和重用历史协作知识。我们通过Fused Gromov-Wasserstein最优传输将这些先验在任务特定的智能体空间中迁移，并通过PAC-Bayes引导的保守后验适应来平衡任务特定的可塑性与结构稳定性。在类、域和任务层面的持续设置下，实验表明MasFACT在保持高平均准确率的同时，显著降低拓扑遗忘，优于强大的拓扑生成和回放基线方法，且可无缝集成到不同的MAS拓扑生成器中。
引用
@article{arxiv.2605.17361,
title = {\textsc{MasFACT}: Continual Multi-Agent Topology Learning via Geometry-Aware Posterior Transfer},
author = {Xuefei Wang and Jialu Wang and Fengbo Zhang and Yihan Hu and Di Zhang and Yutong Ye and Yikun Ban and Jun Han and Ruijie Wang},
journal= {arXiv preprint arXiv:2605.17361},
year = {2026}
}