长期的多代理系统会不断累积不同代理产生的记忆。现有记忆方法通常把检索到的记忆视为独立证据，再通过投票或加权进行合并。然而，这一独立性假设在多代理环境中常常失效：不同代理写入的记忆可能来源于同一上游源头或共享偏差，导致相关证据被重复计数，形成“假多数”。我们将这种失效称为 \textit{Memory Correlation Bias}。
为了解决该问题，本文提出 Correlation-Aware Memory Arbitration（CAMA）框架。CAMA 将检索到的记忆建模为查询条件下的证据组，结合神经依赖推断和基于来源的符号先验，估计独立证据源的有效数量，从而防止相关记忆形成假多数。
由于关键的独立证据可能在初始检索集合中缺失，CAMA 进一步学习一个顺序恢复策略，在做出最终决策前主动检索替代证据或追溯上游来源，力求在最小检索成本下恢复足够的独立证据，以实现可靠的仲裁。
实验在多个基准上进行，结果显示相较于最先进的基线方法，CAMA 能显著抑制由相关记忆引起的假多数，提升仲裁准确率。
博主点评：CAMA 通过将记忆的来源信息显式建模，巧妙地把“相关性”转化为可量化的先验，解决了多代理系统中常被忽视的证据相关性问题，值得在实际协作系统中进一步探索。