大規模言語モデル（LLM）は多くの数学的問題で強力な可能性を示しているが、グラフアルゴリズムタスクにおける性能はまだ満足できるものではない。グラフはトポロジーが複雑で、特に大規模グラフでは系統的な多段階推論が必要となるためである。このギャップに対処するため、研究者らはGraphDCを提案した。これは分割統治型のマルチエージェントフレームワークであり、スケーラブルなグラフアルゴリズム推論を実現する。
GraphDCは分割統治法に着想を得て設計されている。まず入力グラフをより小さなサブグラフに分解する。次に各サブグラフを専門エージェントに割り当て、局所的な推論を行う。最後にマスターエージェントが局所出力とサブグラフ間の情報を統合して最終解を生成する。この階層的設計により、個々のエージェントの推論負担が軽減され、計算ボトルネックが緩和され、大規模グラフインスタンスでの頑健性が向上する。
広範な実験により、GraphDCは多様なタスクと規模において既存手法を一貫して上回ることが示された。特に、エンドツーエンドの直接推論が信頼性に欠ける大規模インスタンスでの優位性が顕著である。本研究成果は、グラフアルゴリズム推論のスケーラビリティ問題に対する効果的な新しいアプローチを提供するものである。論文はarXiv（ID: 2605.06671）で公開されており、今後の応用が期待される。