तकनीकी सारांश: साइनेड ग्राफ मॉडलिंग (SIGMA) के माध्यम से संघर्ष-लचीला बहु-एजेंट तर्क

1. समस्या विवरण

यद्यपि लार्ज लैंग्वेज मॉडल (LLM) आधारित बहु-एजेंट सिस्टम (MAS) ने एकल एजेंटों की तुलना में श्रेष्ठ तर्क क्षमताओं का प्रदर्शन किया है, मौजूदा ढांचे परस्पर विरोधी जानकारी को संभालने के मामले में महत्वपूर्ण सीमाओं से ग्रस्त हैं। वर्तमान ग्राफ-आधारित MAS दृष्टिकोण आमतौर पर समान रूप से सहकारी अंतःक्रियाओं को मानते हैं, जो एजेंट संबंधों को गैर-ऋणात्मक या निहित रूप से सहायक के रूप में मॉडल करते हैं। यह धारणा दो प्राथमिक विफलता मोडों की ओर ले जाती है:

1. अनियंत्रित त्रुटि प्रसार: जब परस्पर विरोधी संकेत उत्पन्न होते हैं, तो सरल एकत्रीकरण तंत्र विश्वसनीय और प्रतिकूल एजेंटों के बीच अंतर करने में विफल रहते हैं, जिससे तर्क चरणों में त्रुटियां बढ़ती जाती हैं।
2. संरचनात्मक जागरूकता का अभाव: मौजूदा विधियों में एजेंटों के बीच संबंधों की ध्रुवीयता (विश्वास बनाम संघर्ष) के स्पष्ट मॉडलिंग का अभाव है, जिससे विश्वसनीय अंतःक्रिया पैटर्न की पहचान करना या शोर वाले या प्रतिकूल वातावरण में भ्रामक संकेतों को दबाना कठिन हो जाता है।

परिणामस्वरूप, वर्तमान प्रणालियाँ कम-आत्मविश्वास, मतिभ्रम (hallucination), या प्रतिकूल एजेंट आउटपुट के सामने प्रदर्शन में गिरावट के प्रति संवेदनशील हैं।

2. कार्यप्रणाली: SIGMA ढांचा

लेखक SIGMA (SIgned Graph-informed Multi-Agent reasoning) का प्रस्ताव करते हैं, जो साइनेड ग्राफ थ्योरी का उपयोग करके एजेंट अंतःक्रियाओं की ध्रुवीयता को स्पष्ट रूप से मॉडल करता है। यह ढांचा चार विशिष्ट चरणों के माध्यम से कार्य करता है:

चरण I: क्वेरी-निर्देशित एजेंट चयन

यह सुनिश्चित करने के लिए कि तर्क पूल (reasoning pool) प्रासंगिक और सुदृढ़ दोनों हो, SIGMA एक कंपोजिट स्कोरिंग फंक्शन के आधार पर एजेंटों के एक उपसमूह ($V_s$) का चयन करता है जो तीन आयामों के बीच संतुलन बनाता है:

• सिमेंटिक प्रासंगिकता (Semantic Relevance): एजेंट की क्षमताओं और क्वेरी के बीच संरेखण।
• संरचनात्मक विविधता (Structural Diversity): सहसंबद्ध त्रुटियों को कम करने के लिए पूरक दृष्टिकोणों को प्रोत्साहित करना।
• एजेंट आत्मविश्वास (Agent Confidence): उच्च स्व-संगति या निम्न अनिश्चितता वाले एजेंटों को प्राथमिकता देना।
  चयन स्कोर $s(v_i)$ इन कारकों को जोड़ता है, यह सुनिश्चित करता है कि आगामी तर्क प्रक्रिया एक विविध, प्रासंगिक और विश्वसनीय एजेंट पूल पर संचालित हो।

चरण II: साइनेड रिलेशनल ग्राफ निर्माण

पारंपरिक एडजेसेंसी मैट्रिसेस के विपरीत, जो केवल अंतःक्रिया शक्ति को कैप्चर करते हैं, SIGMA एक साइनेड एडजेसेंसी मैट्रिक्स $A$ का निर्माण करता है जहाँ प्रत्येक एज $A_{ij}$ को ध्रुवीयता ($s_{ij} \in \{-1, 0, +1\}$) और परिमाण ($w_{ij} \geq 0$) में विभाजित किया जाता है:

• विश्वास (+): सहायक अंतःक्रियाएं जहाँ एजेंट सहमत होते हैं।
• संघर्ष (-): विरोधाभासी अंतःक्रियाएं जहाँ एजेंट असहमत होते हैं।
• तटस्थ (0): कमजोर या अनिश्चित अंतःक्रियाएं।
  ध्रुवीयता का निर्धारण एक युग्म-मूल्यांकन फलन $f_{eval}$ द्वारा किया जाता है जो प्रारंभिक तर्क अवस्थाओं की अनुकूलता का आकलन करता है। यह सिस्टम को एक एजेंट के पड़ोस को सकारात्मक (सहायक) और नकारात्मक (विरोधाभासी) सेटों में विभाजित करने की अनुमति देता है, जो सोशल बैलेंस थ्योरी के आधार पर मल्टी-हॉप बैलेंस्ड और अनबैलेंस्ड पड़ोस तक विस्तृत होता है।

चरण III: संघर्ष-जागरूक साइनेड मैसेज पासिंग

SIGMA एक पुनरावृत्त (iterative) मैसेज-पासिंग तंत्र का उपयोग करता है जो सहायक और विरोधाभासी संकेतों को स्पष्ट रूप से अलग करता है। समान एकत्रीकरण के बजाय, प्रत्येक एजेंट अलग-अलग सकारात्मक ($h^{pos}$) और नकारात्मक ($h^{neg}$) प्रतिनिधित्व वेक्टर बनाए रखता है।

• सकारात्मक एकत्रीकरण (Positive Aggregation): संतुलित पड़ोस (विश्वास) से संकेतों को सुदृढ़ करता है जबकि अनबैलेंस्ड पड़ोस से ध्रुवीयता-उलट (polarity-flipped) इनपुट को शामिल करता है।
• नकारात्मक एकग्रीगेशन (Negative Aggregation): संघर्ष संरचनाओं को पकड़ने के लिए सममित ऑपरेशन करता है।
  यह डिज़ाइन सुनिश्चित करता है कि सहायक संकेतों को बढ़ाया जाए जबकि विरोधाभासी संकेतों को दबा दिया जाए, जिससे सिमेंटिक रूप से भिन्न तर्क पथों का पतन (collapse) रुक जाता है।

चरण IV: साइनेड कंसेंसस रीडआउट

अंतिम भविष्यवाणी एक संरचना- और संघर्ष-जागरूक भारित एकत्रीकरण के माध्यम से उत्पन्न की जाती है। प्रत्येक एजेंट के लिए भार $w_i$ साइनेड ग्राफ के भीतर शुद्ध सहायक शक्ति (धनात्मक किनारों को जोड़कर और ऋणात्मक को घटाकर) के आधार पर गणना किया जाता है। यह तंत्र उन एजेंटों को प्राथमिकता देता है जिन्हें नेटवर्क द्वारा लगातार समर्थन प्राप्त है, जबकि उन एजेंटों को कम भार देता है जो संघर्ष से घिरे हैं, जिससे एक वैश्विक रूप से सुसंगत और संघर्ष-लचीली भविष्यवाणी प्राप्त होती है।

3. प्रमुख योगदान

लेखक तीन प्राथमिक योगदानों को रेखांकित करते हैं:

1. एक महत्वपूर्ण सीमा की पहचान: लेखक बताते हैं कि मौजूदा MAS ढांचे विश्वास और संघर्ष को मॉडल करने में विफल रहते हैं, जो समान सहयोग को मानते हैं जिससे विरोधाभासी या शोर वाले आउटपुट के तहत मजबूती कम हो जाती है।
2. SIGMA का प्रस्ताव: एक अभिनव ढांचा जो LLM-आधारित MAS में साइनेड ग्राफ मॉडलिंग पेश करता है। यह स्पष्ट रूप से विश्वास, संघर्ष और तटस्थ संबंधों को कैप्चर करता है, जिससे संघर्ष-जागरूक मैसेज पासिंग और संरचना-जागरूक एकत्रीकरण सक्षम होता है।
3. अनुभवजन्य सत्यापन: व्यापक प्रयोगों से पता चलता है कि SIGMA विविध तर्क कार्यों में अत्याधुनिक (state-of-the-art) परिणामों को लगातार बेहतर बनाता है, और विरोधाभासी या निम्न-गुणवत्ता वाले एजेंटों की उपस्थिति में भी मजबूत प्रदर्शन प्राप्त करता है।

4. प्रयोगात्मक परिणाम

SIGMA का मूल्यांकन छह बेंचमार्क डेटासेट्स पर किया गया जो सामान्य तर्क (MMLU, MMLU-Pro, GPQA), गणितीय तर्क (GSM8K, MultiArith), और कोड जनरेशन (HumanEval) को कवर करते हैं, जिसमें विभिन्न LLM बैकबोन (GPT-5, GPT-5 mini, DeepSeek-V3.2) का उपयोग किया गया।

• प्रदर्शन: SIGMA ने सभी डेटासेट्स में अत्याधुनिक परिणाम प्राप्त किए, जिसमें औसत सटीकता 89.17% रही, जिसने सर्वश्रेष्ठ बेसलाइन्स (जैसे, GoA, G-Designer) को महत्वपूर्ण अंतर से (जैसे, MMLU पर +2.95%, MMLU-Pro पर +11.54%) पीछे छोड़ दिया।
• मजबूती (Robustness): प्रतिकूल सेटिंग्स में जहाँ 50% तक एजेंट दुर्भावनापूर्ण थे (रैंडम शोर, निम्न-गुणवत्ता वाला तर्क, संघर्ष प्रेरण, या अंध आंख मूंदकर अनुपालन का अनुकरण करते हुए), SIGMA ने न्यूनतम प्रदर्शन गिरावट प्रदर्शित की। ढांचे ने उन्हें नकारात्मक भार देकर दुर्भावनापूर्ण एजेंटों को सफलतापूर्वक अलग कर दिया, जिससे गंभीर शोर के तहत भी उच्च सटीकता बनी रही।
• एब्लेशन अध्ययन (Ablation Studies): किसी भी मुख्य घटक (क्वेरी-निर्देशित चयन, साइनेड ग्राफ निर्माण, संघर्ष-जागरूक मैसेज पासिंग, या साइनेड कंसेंसस रीडआउट) को हटाने से प्रदर्शन में गिरावट आई, जो प्रत्येक मॉड्यूल की आवश्यकता की पुष्टि करता है।
• हाइपरपैरामीटर संवेदनशीलता: फ्रेमवर्क ने प्रासंगिकता-विविधता ट्रेड-ऑफ ($\lambda$) और चयनित एजेंटों की संख्या ($k$) के विभिन्न मानों के बीच स्थिर प्रदर्शन दिखाया, जिसमें अनुकूलतम परिणाम आमतौर पर मध्यम सेटिंग्स पर पाए गए।

5. महत्व और दावे

लेखक दावा करते हैं कि SIGMA बहु-एजेंट तर्क को "समान सहयोग" के मॉडल से "संरचित तर्क गतिशीलता" (structured reasoning dynamics) में मौलिक रूप से बदल देता है। अंतःक्रियाओं की ध्रुवीयता को स्पष्ट रूप से मॉडल करके, SIGMA यह बदल देता है कि एजेंट असहमति को कैसे संभालते हैं: संघर्ष को शोर के रूप में औसत निकालने के बजाय, यह इसे एक संकेत के रूप में मानता है जिसे दबाया जाना चाहिए जबकि विश्वास को सुदृढ़ किया जाना चाहिए।

लेखक का तर्क है कि यह दृष्टिकोण शोर वाले वातावरण में वर्तमान MAS की भेद्यता के लिए एक सिद्धांतगत समाधान प्रदान करता है। ढांचे की दुर्भावनापूर्ण एजेंटों को गतिशील रूप से पहचानने और अलग करने की क्षमता इसे उच्च-दांव वाले अनुप्रयोगों के लिए विशेष रूप से उपयुक्त बनाती है जिनमें सटीक और सत्यापन योग्य तर्क की आवश्यकता होती है। शोध पत्र निष्कर्ष निकालता है कि अगली पीढ़ी के मजबूत, सहयोगात्मक AI सिस्टम के लिए विश्वास और संघर्ष का स्पष्ट मॉडलिंग आवश्यक है।