Bagaimana MAAGL membagi spesialisasi
MAAGL membagi graf menjadi komunitas dan menugaskan satu agen independen ke setiap komunitas. Setiap agen berspesialisasi pada bidang yang sesuai dengan komunitasnya.
Unit spesialisasi di sini adalah komunitas graf. Agen tidak digambarkan sebagai pelaksana serbaguna untuk satu tugas umum.
Kriteria praktis: dalam skema ini, struktur graf menentukan bidang kerja agen.
Cara kerja sidik jari struktural
MAAGL memisahkan bukti struktural dan semantik. Bukti struktural digabungkan ke dalam tanda tangan struktural berukuran tetap yang diperbarui secara dinamis.
Tanda tangan ini invarian terhadap permutasi. Bukti semantik dipilih dari top-k node yang diurutkan berdasarkan relevansi.
Pemisahan ini membedakan deskripsi struktur dari pemilihan node yang relevan. Kriteria praktis: tanda tangan struktural cocok untuk merepresentasikan fitur graf yang tidak sensitif terhadap permutasi.
Cara agen menggunakan riwayat dan debat
Agen mengakses lintasan historis dengan tanda tangan yang serupa. Berdasarkan lintasan tersebut, mereka menilai keyakinan terhadap kesimpulannya.
Jika diperlukan, agen memulai diskusi bersama dalam format debat. Dalam artikel, debat dijelaskan sebagai tahap kondisional, bukan bagian wajib dari setiap keputusan.
Kriteria praktis: skema ini mengaitkan penilaian keyakinan dengan kasus serupa, sementara diskusi dilakukan bila diperlukan.
Keterbatasan metode yang ada yang dipertimbangkan MAAGL
Penulis mencatat dua masalah pada metode pembelajaran graf. Deskripsi struktur dalam bentuk kata-kata dapat membuat penalaran sensitif terhadap urutan informasi dan melanggar invariansi graf terhadap permutasi.
Memperbesar lingkungan sampel dapat dengan cepat memperluas konteks. Di MAAGL, bukti struktural dirangkum menjadi tanda tangan berukuran tetap, sedangkan bukti semantik dipilih berdasarkan relevansi.
| Masalah | Komponen MAAGL |
|---|---|
| Sensitivitas deskripsi verbal terhadap urutan struktur | Tanda tangan struktural yang invarian terhadap permutasi |
| Pertumbuhan konteks saat lingkungan sampel diperbesar | Ukuran tanda tangan tetap dan pemilihan top-k node |
Kriteria praktis: bandingkan keterbatasan metode graf dengan cara metode tersebut merepresentasikan struktur dan memilih bukti semantik.
Hasil eksperimen
Dalam eksperimen pada empat dataset benchmark, MAAGL mengungguli metode AGL SOTA. Deskripsi artikel tidak mencantumkan metrik numerik.
Karya Multi-Agent Agentic Graph Learning via Structural Signatures ditulis oleh Liang Qu, Jianxin Li, dan Hua Wang. Karya ini tersedia di arXiv dengan nomor arXiv:2609.09565; tanggal pengajuan — 9 Sep 2026.
Kriteria praktis: hasil ini mengonfirmasi perbandingan pada dataset yang disebutkan, tetapi tidak melaporkan metrik numerik.
