ทันเอไอ

นักวิจัยเสนอเฟรมเวิร์ก MAAGL ใช้หลายเอเจนต์จัดการข้อมูลกราฟซับซ้อน

ทีมนักวิจัยเปิดตัวเฟรมเวิร์ก Multi-Agent Agentic Graph Learning (MAAGL) เพื่อแก้ข้อจำกัดการประมวลผลข้อมูลกราฟด้วยปัญญาประดิษฐ์

วันที่ 10 กันยายน 2026 มีการเผยแพร่เอกสารวิชาการบนแพลตฟอร์ม arXiv (รหัส arXiv:2609.09565) โดย Liang Qu จากมหาวิทยาลัย Edith Cowan, Jianxin Li จาก The University of Queensland และ Hua Wang จาก Victoria University ซึ่งนำเสนอแนวทางการพัฒนาการเรียนรู้บนกราฟด้วยระบบหลายเอเจนต์ (Multi-Agent)

ที่ผ่านมาระบบ Agentic Graph Learning (AGL) มักประสบปัญหาข้อจำกัดในการใช้เอเจนต์เดี่ยวหรือการใช้หลายเอเจนต์ที่แชร์นโยบายการตัดสินใจร่วมกัน ซึ่งไม่เหมาะสมกับข้อมูลกราฟที่มีความซับซ้อนและมีความหลากหลายสูง งานวิจัยนี้จึงพัฒนาเฟรมเวิร์กที่เรียกว่า Multi-Agent Agentic Graph Learning (MAAGL) ขึ้นมาแก้ปัญหา โดยทำการแบ่งโครงสร้างกราฟออกเป็นกลุ่มย่อย (Communities) และให้เอเจนต์อิสระแต่ละตัวทำหน้าที่ดูแลข้อมูลในส่วนของตนเองโดยเฉพาะ

นอกจากนี้ เฟรมเวิร์กดังกล่าวยังแก้ปัญหาเรื่อง Permutation Invariance (ความเป็นอิสระจากการเรียงลำดับของโหนด) ด้วยการใช้ Structural Signatures (ลายเซ็นเชิงโครงสร้าง) แทนการแปลงกราฟเป็นภาษาธรรมชาติแบบเดิม ช่วยรักษาคุณสมบัติทางโครงสร้าง พร้อมทั้งแยกการนำเสนอข้อมูลเชิงโครงสร้างและเชิงความหมายออกจากกัน เพื่อลดปัญหาบริบทล้นหรืออาการหลงลืมในส่วนกลางของโมเดลภาษาขนาดใหญ่ (Lost-in-the-middle) และช่วยประหยัดต้นทุนในการคำนวณ