通过迭代协商实现文档敏感性分类的通道增强多智能体系统

arXiv:2609.22212v2 公告类型：replace-cross 摘要：关键国家基础设施领域的组织必须在文档路由或存储之前评估异构文档的敏感性。人工评估速度慢、一致性差且难以扩展。在我们先前的受控泄漏基准的基础上，BERT 建立了最佳单编码器基线（在 Strategic 16K 语料库上进行 5 折交叉验证时，准确率为 89.14%，F1 分数为 89.33%）。然而，Transformer 基线存在结构性局限：固定输入长度截断会丢弃保留窗口之外的证据——而敏感电报往往恰恰是最长的文档。我们提出 Channel-Boosted MAS（CB-MAS），并将其实例化为 IC-MAS（Iterative Consultation Multi-Agent System），在无需长上下文计算成本的情况下解决这一问题。Channel Critic Agent 学习文档自适应的信任权重，用于控制两个首窗口编码器之间的门控通道增强；与此同时，成对的 Consultation Agents 迭代交换信念状态，以协调长文档开头和结尾的证据。IC-MAS 通过在紧凑的表示空间中协调固定窗口，使计算量不受文档长度影响。消融研究表明，由批评器控制的通道增强贡献了大部分准确率提升，而协商机制在避免精确率崩溃的同时恢复了召回率。Critic-Controlled Gated Channel Boosting with Max-Pool 融合和 Blackboard Adaptive Consultation 达到 90.72% 的准确率、91.23% 的 F1 分数、92.01% 的敏感类召回率和 90.46% 的敏感类精确率；与固定轮次基线相比，平均计算量减少约 54%。相较于单编码器基线的提升具有统计显著性（McNemar 检验，p 小于 0.000001；配对 t 检验）。我们还提供了 LIME/SHAP 可解释性分析、多智能体评估以及对局限性的如实说明。