Technische Samenvatting: Conflictbestendige Multi-Agent Redenering via Gesigneerde Grafenmodellering (SIGMA)

1. Probleemstelling

Hoewel Multi-Agent Systemen (MAS) op basis van Large Language Models (LLM) superieure redeneercapaciteiten hebben aangetoond in vergelijking met enkele agenten, lijden bestaande frameworks onder kritieke beperkingen bij het verwerken van tegenstrijdige informatie. Huidige grafen-gebaseerde MAS-benaderingen gaan doorgaans uit van uniform coöperatieve interacties, waarbij agentrelaties worden gemodelleerd als niet-negatief of impliciet ondersteunend. Deze aanname leidt tot twee primaire faalmodi:

1. Ongecontroleerde Foutpropagatie: Wanneer tegenstrijdige signalen ontstaan, falen naïeve aggregatiemechanismen om te onderscheiden tussen betrouwbare en adversariële agenten, waardoor fouten zich versterken over redeneerstappen heen.
2. Gebrek aan Structureel Bewustzijn: Bestaande methoden missen een expliciete modellering van de polariteit (vertrouwen versus conflict) van inter-agentrelaties, wat het moeilijk maakt om betrouwbare interactiepatronen te identificeren of misleidende signalen te onderdrukken in ruis- of adversariële omgevingen.

Bijgevolg zijn huidige systemen kwetsbaar voor prestatiedegradatie wanneer ze worden geconfronteerd met outputs van agenten met lage betrouwbaarheid, hallucinaties of adversariële output.

2. Methodologie: SIGMA Framework

De auteurs stellen SIGMA (SIgned Graph-informed Multi-Agent reasoning) voor, een framework dat expliciet de polariteit van agentinteracties modelleert met behulp van de theorie van gesigneerde grafen. Het framework werkt via vier distincte fasen:

Fase I: Query-geleide Agentselectie

Om ervoor te zorgen dat het redeneerpool zowel relevant als robuust is, selecteert SIGMA een subset van agenten ($V_s$) op basis van een samengestelde scorefunctie die drie dimensies in evenwicht brengt:

• Semantische Relevantie: Uitlijning tussen de capaciteiten van de agent en de query.
• Structurele Diversiteit: Het stimuleren van complementaire perspectieven om gecorreleerde fouten te mitigeren.
• Agentbetrouwbaarheid: Prioritering van agenten met hoge zelfconsistentie of lage onzekerheid.
  De selectiescore $s(v_i)$ combineert deze factoren, zodat het daaropvolgende redeneerproces opereert op een diverse, relevante en betrouwbare pool van agenten.

Fase II: Constructie van een Gesigneerd Relatiegraf

In tegenstelling tot traditionele adjacentiematrices die alleen de interactiesterkte vastleggen, construeert SIGMA een gesigneerde adjacentiematrix $A$ waarbij elke rand $A_{ij}$ wordt ontbonden in polariteit ($s_{ij} \in \{-1, 0, +1\}$) en magnitude ($w_{ij} \geq 0$):

• Vertrouwen (+): Ondersteunende interacties waarbij agenten het eens zijn.
• Conflict (-): Tegenstrijdige interacties waarbij agenten het oneens zijn.
• Neutraal (0): Zwakke of onzekere interacties.
  De polariteit wordt bepaald door een paarsgewijze evaluatiefunctie $f_{eval}$ die de compatibiliteit van initiële redeneertoestanden beoordeelt. Dit stelt het systeem in staat de buurt van een agent te partitioneren in positieve (ondersteunende) en negatieve (conflicterende) sets, wat zich uitbreidt tot multi-hop gebalanceerde en ongebalanceerde buurten op basis van de theorie van sociale balans.

Fase III: Conflictbewuste Gesigneerde Message Passing

SIGMA maakt gebruik van een iteratief message-passing mechanisme dat ondersteunende en conflicterende signalen expliciet ontkoppelt. In plaats van uniforme aggregatie, onderhoudt elke agent aparte positieve ($h^{pos}$) en negatieve ($h^{neg}$) representatievectoren.

• Positieve Aggregatie: Versterkt signalen van gebalanceerde buurten (vertrouwen) terwijl het polariteits-omgekeerde inputs van ongebalanceerde buurten integreert.
• Negatieve Aggregatie: Voert de symmetrische operatie uit om conflicstructuren vast te leggen.
  Dit ontwerp zorgt ervoor dat ondersteunende signalen worden versterkt terwijl conflicterende signalen worden onderdrukt, waardoor het instorten van semantisch verschillende redeneerpaden wordt voorkomen.

Fase IV: Gesigneerde Consensus Readout

De uiteindelijke voorspelling wordt gegenereerd via een structureel en conflictbewuste gewogen aggregatie. De gewicht $w_i$ voor elke agent wordt berekend op basis van de netto ondersteunende sterkte binnen de gesigneerde graf (het sommeren van positieve randen en het aftrekken van negatieve). Dit mechanisme prioriteert agenten die consequent worden gesteund door het netwerk, terwijl het agenten die omringd zijn door conflict minder gewicht geeft, wat resulteert in een globaal consistente en conflictbestendige voorspelling.

3. Belangrijkste Bijdragen

Het artikel schetst drie primaire bijdragen:

1. Identificatie van een Kritieke Beperking: De auteurs benadrukken dat bestaande MAS-frameworks falen in het modelleren van vertrouwen en conflict, en uitgaan van uniforme samenwerking, wat de robuustheid vermindert onder tegenstrijdige of ruisige outputs.
2. Voorstel van SIGMA: Een nieuw framework dat gesigneerde grafenmodellering introduceert voor LLM-gebaseerde MAS. Het legt expliciet vertrouwen, conflict en neutrale relaties vast, wat conflictbewuste message passing en structureel bewuste aggregatie mogelijk maakt.
3. Empirische Validatie: Uitgebreide experimenten tonen aan dat SIGMA consequent state-of-the-art baselines overtreft op diverse redeneertaken, en robuuste prestaties behaalt zelfs in aanwezigheid van conflicterende of kwalitatief mindere agenten.

4. Experimentele Resultaten

SIGMA werd geëvalueerd op zes benchmarkdatasets die zich uitstrekken over algemeen redeneren (MMLU, MMLU-Pro, GPQA), wiskundig redeneren (GSM8K, MultiArith) en codegeneratie (HumanEval), met gebruik van diverse LLM-backbones (GPT-5, GPT-5 mini, DeepSeek-V3.2).

• Prestaties: SIGMA behaalde state-of-the-art resultaten op alle datasets, met een gemiddelde nauwkeurigheid van 89,17%, en presteerde aanzienlijk beter dan de beste baselines (bijv. GoA, G-Designer) (bijv. +2,95% op MMLU, +11,54% op MMLU-Pro).
• Robuustheid: In adversariële settings waarin tot 50% van de agenten kwaadaardig was (simulatie van willekeurige ruis, kwalitatief mindere redenering, conflictinductie of blinde conformiteit), vertoonde SIGMA minimale prestatiedegradatie. Het framework isoleerde kwaadaardige agenten succesvol door hen negatieve gewichten toe te kennen, en behield een hoge nauwkeurigheid zelfs onder ernstige ruis.
• Ablatiestudies: Het verwijderen van elke kerncomponent (Query-geleide Selectie, Constructie van Gesigneerde Grafen, Conflictbewuste Message Passing of Gesigneerde Consensus Readout) resulteerde in prestatiedalingen, wat de noodzaak van elke module bevestigt.
• Hyperparametergevoeligheid: Het framework toonde stabiele prestaties over verschillende waarden van de relevantie-diversiteit trade-off ($\lambda$) en het aantal geselecteerde agenten ($k$), met optimale resultaten die doorgaans werden gevonden bij gematigde instellingen.

5. Betekenis en Claims

Het artikel claimt dat SIGMA multi-agent redenering fundamenteel verschuift van een model van "uniforme samenwerking" naar "gestructureerde redeneerdynamiek". Door expliciet de polariteit van interacties te modelleren, transformeert SIGMA hoe agenten omgaan met meningsverschillen: in plaats van conflict te behandelen als ruis die moet worden uitgemiddeld, behandelt het conflict als een signaal dat moet worden onderdrukt terwijl vertrouwen wordt versterkt.

De auteurs stellen dat deze aanpak een principiële oplossing biedt voor de kwetsbaarheid van huidige MAS in ruisige omgevingen. Het vermogen van het framework om onbetrouwbare agenten dynamisch te identificeren en te isoleren maakt het bijzonder geschikt voor toepassingen met hoge risico's die een nauwkeurige en verifieerbare redenering vereisen. Het artikel concludeert dat expliciete modellering van vertrouwen en conflict essentieel is voor de volgende generatie robuuste, collaboratieve AI-systemen.