Resumo Técnico: Raciocínio Multiagente Resiliente a Conflitos via Modelagem de Grafos Assinados (SIGMA)

1. Declaração do Problema

Embora os Sistemas Multiagentes (MAS) baseados em Modelos de Linguagem de Grande Porte (LLM) tenham demonstrado capacidades de raciocínio superiores em comparação com agentes únicos, as estruturas existentes sofrem de limitações críticas ao lidar com informações conflitantes. As abordagens atuais de MAS baseadas em grafos geralmente assumem interações uniformemente cooperativas, modelando as relações entre agentes como não negativas ou implicitamente de apoio. Essa suposição leva a dois modos de falha primários:

1. Propagação Descontrolada de Erros: Quando surgem sinais conflitantes, mecanismos ingênuos de agregação falham em distinguir entre agentes confiáveis e adversários, permitindo que erros se amplifiquem ao longo das etapas de raciocínio.
2. Falta de Consciência Estrutural: Os métodos existentes carecem de modelagem explícita da polaridade (confiança versus conflito) das relações interagentes, tornando difícil identificar padrões de interação confiáveis ou suprimir sinais enganosos em ambientes ruidosos ou adversários.

Consequentemente, os sistemas atuais são vulneráveis à degradação de desempenho quando confrontados com saídas de agentes de baixa confiança, alucinadas ou adversárias.

2. Metodologia: Estrutura SIGMA

Os autores propõem o SIGMA (Raciocínio Multiagente Informado por Grafos Assinados), uma estrutura que modela explicitamente a polaridade das interações entre agentes utilizando a teoria dos grafos assinados. A estrutura opera através de quatro estágios distintos:

Estágio I: Seleção de Agentes Guiada pela Consulta

Para garantir que o pool de raciocínio seja relevante e robusto, o SIGMA seleciona um subconjunto de agentes ($V_s$) com base em uma função de pontuação composta que equilibra três dimensões:

• Relevância Semântica: Alinhamento entre as capacidades do agente e a consulta.
• Diversidade Estrutural: Incentivo a perspectivas complementares para mitigar erros correlacionados.
• Confiança do Agente: Priorização de agentes com alta autoconsistência ou baixa incerteza.
  A pontuação de seleção $s(v_i)$ combina esses fatores, garantindo que o processo de raciocínio subsequente opere em um pool de agentes diversificado, relevante e confiável.

Estágio II: Construção do Grafo Relacional Assinado

Ao contrário das matrizes de adjacência tradicionais que capturam apenas a força da interação, o SIGMA constrói uma matriz de adjacência assinada $A$ onde cada aresta $A_{ij}$ é decomposta em polaridade ($s_{ij} \in \{-1, 0, +1\}$) e magnitude ($w_{ij} \geq 0$):

• Confiança (+): Interações de apoio onde os agentes concordam.
• Conflito (-): Interações contraditórias onde os agentes discordam.
• Neutro (0): Interações fracas ou incertas.
  A polaridade é determinada por uma função de avaliação par a par $f_{eval}$ que avalia a compatibilidade dos estados iniciais de raciocínio. Isso permite que o sistema particione a vizinhança de um agente em conjuntos positivos (de apoio) e negativos (conflituosos), estendendo-se a vizinhanças balanceadas e desbalanceadas de múltiplos saltos com base na teoria do equilíbrio social.

Estágio III: Troca de Mensagens Assinada Consciente de Conflito

O SIGMA emprega um mecanismo iterativo de troca de mensagens que desconecta explicitamente sinais de apoio e de conflito. Em vez de agregação uniforme, cada agente mantém vetores de representação separados para positivo ($h^{pos}$) e negativo ($h^{neg}$).

• Agregação Positiva: Reforça sinais de vizinhanças balanceadas (confiança) enquanto incorpora entradas com polaridade invertida de vizinhanças desbalanceadas.
• Agregação Negativa: Realiza a operação simétrica para capturar estruturas de conflito.
  Este design garante que os sinais de apoio sejam amplificados enquanto os sinais conflitantes são suprimidos, impedindo o colapso de caminhos de raciocínio semanticamente distintos.

Estágio IV: Leitura de Consenso Assinado

A previsão final é gerada por meio de uma agregação ponderada consciente de estrutura e conflito. O peso $w_i$ para cada agente é computado com base na força de apoio líquida dentro do grafo assinado (somando arestas positivas e subtraindo as negativas). Este mecanismo prioriza agentes consistentemente endossados pela rede, enquanto reduz o peso daqueles cercados por conflito, resultando em uma previsão globalmente consistente e resiliente a conflitos.

3. Contribuições Principais

O artigo delineia três contribuições primárias:

1. Identificação de uma Limitação Crítica: Os autores destacam que as estruturas existentes de MAS falham em modelar confiança e conflito, assumindo cooperação uniforme, o que reduz a robustez sob saídas contraditórias ou ruidosas.
2. Proposta do SIGMA: Uma estrutura inovadora que introduz a modelagem de grafos assinados para MAS baseados em LLM. Ela captura explicitamente relações de confiança, conflito e neutras, permitindo troca de mensagens consciente de conflito e agregação consciente de estrutura.
3. Validação Empírica: Experimentos extensivos demonstram que o SIGMA supera consistentemente as linhas de base mais avançadas em diversas tarefas de raciocínio, alcançando desempenho robusto mesmo na presença de agentes conflitantes ou de baixa qualidade.

4. Resultados Experimentais

O SIGMA foi avaliado em seis conjuntos de dados de referência abrangendo raciocínio geral (MMLU, MMLU-Pro, GPQA), raciocínio matemático (GSM8K, MultiArith) e geração de código (HumanEval), utilizando várias bases de LLM (GPT-5, GPT-5 mini, DeepSeek-V3.2).

• Desempenho: O SIGMA alcançou resultados de última geração em todos os conjuntos de dados, com uma precisão média de 89,17%, superando as melhores linhas de base (por exemplo, GoA, G-Designer) por margens significativas (por exemplo, +2,95% no MMLU, +11,54% no MMLU-Pro).
• Robustez: Em configurações adversárias onde até 50% dos agentes eram maliciosos (simulando ruído aleatório, raciocínio de baixa qualidade, indução de conflito ou conformidade cega), o SIGMA exibiu degradação mínima de desempenho. A estrutura isolou com sucesso agentes maliciosos atribuindo-lhes pesos negativos, mantendo alta precisão mesmo sob ruído severo.
• Estudos de Ablação: A remoção de qualquer componente central (Seleção Guiada pela Consulta, Construção de Grafo Assinado, Troca de Mensagens Consciente de Conflito ou Leitura de Consenso Assinado) resultou em quedas de desempenho, confirmando a necessidade de cada módulo.
• Sensibilidade a Hiperparâmetros: A estrutura mostrou desempenho estável em diferentes valores do trade-off relevância-diversidade ($\lambda$) e do número de agentes selecionados ($k$), com resultados ótimos tipicamente encontrados em configurações moderadas.

5. Significado e Alegações

O artigo alega que o SIGMA muda fundamentalmente o raciocínio multiagente de um modelo de "cooperação uniforme" para "dinâmicas de raciocínio estruturado". Ao modelar explicitamente a polaridade das interações, o SIGMA transforma a forma como os agentes lidam com o desacordo: em vez de tratar o conflito como ruído a ser médio, ele trata o conflito como um sinal a ser suprimido enquanto reforça a confiança.

Os autores afirmam que essa abordagem fornece uma solução principiante para a vulnerabilidade dos MAS atuais em ambientes ruidosos. A capacidade da estrutura de identificar e isolar dinamicamente agentes não confiáveis torna-a particularmente adequada para aplicações de alto risco que exigem raciocínio preciso e verificável. O artigo conclui que a modelagem explícita de confiança e conflito é essencial para a próxima geração de sistemas de IA colaborativos e robustos.