摘要
大型语言模型（LLMs）在动态图推理中展现出显著潜力，但面临规模瓶颈：当前模型只能处理节点数在几十个的图，受限于指数级推理开销和有限的上下文窗口。虽然多智能体系统（MAS）提供了集体推理和拓扑感知的协调能力，天然适用于图结构任务，但其在动态图中的应用仍未被探索。
本文提出了适应性时空多智能体协作的动态图推理框架——AdaSTORM，旨在将大规模动态图推理重新构造为两个阶段：
- 自适应划分：将大规模动态图划分为与模型推理能力相匹配的子区域，同时最小化推理成本；
- 协同推理：将图划分拓扑与时空解耦的多智能体架构对齐。
AdaSTORM是首个针对动态图推理的多智能体框架。大量实验表明，AdaSTORM成功突破了规模瓶颈，将推理扩展到千节点图，并在多个大规模动态图设置下实现超过90%的准确率，显著优于七个竞争基线。此外，它在现有基准上达到最先进的准确率，并在真实世界数据集上具有良好的泛化能力。
源代码可在此获取：AdaSTORM GitHub
博主点评： AdaSTORM通过自适应划分和协同推理有效解决了动态图推理中的规模问题，展现了多智能体系统在处理复杂结构数据时的巨大潜力。其在实际应用中的表现值得关注，预示着未来在图神经网络领域的更多突破。