Neue Methode misst Unsicherheit in Multi-Agenten-Systemen mit Tensorzerlegung

Large‑Language‑Model‑basierte Multi‑Agenten‑Systeme (MAS) übertreffen alleinstehende Agenten bei komplexen Aufgaben, doch ihre vielschichtigen Interaktionen bringen erhebliche Zuverlässigkeitsprobleme mit sich. Die Dynamik der Kommunikation und die Abhängigkeiten zwischen Rollen erschweren die Bewertung der Vertrauenswürdigkeit.

Aktuelle Unsicherheits‑Quantifizierungs‑Methoden, die meist für einzelne Ausgaben entwickelt wurden, greifen hier nicht. Sie stoßen an drei zentrale Grenzen: die sich verteilende Unsicherheit bei mehrstufiger Argumentation, die Schwankungen in den Kommunikationspfaden zwischen Agenten und die Vielfalt der möglichen Topologien.

Um diese Lücke zu schließen, präsentiert das neue Framework MATU. Es nutzt Tensorzerlegung, um Unsicherheit systematisch zu messen. Dabei werden komplette Denkpfade als Einbettungsmatrizen dargestellt und mehrere Ausführungen in einen hochdimensionalen Tensor eingepackt. Durch die Zerlegung werden die verschiedenen Unsicherheitsquellen voneinander getrennt und quantifiziert, sodass ein umfassendes, generalisierbares Zuverlässigkeitsmaß entsteht.

Ausführliche Experimente zeigen, dass MATU die Gesamt‑ und robuste Unsicherheit zuverlässig einschätzt – unabhängig von Aufgabenstellung oder Kommunikationsstruktur. Damit liefert die Methode einen wichtigen Schritt zur vertrauenswürdigen Nutzung von LLM‑basierten Multi‑Agenten‑Systemen.