論文の概要: Nemori: Self-Organizing Agent Memory Inspired by Cognitive Science

• arxiv url: http://arxiv.org/abs/2508.03341v1
• Date: Tue, 05 Aug 2025 11:41:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-06 18:18:55.937425
• Title: Nemori: Self-Organizing Agent Memory Inspired by Cognitive Science
• Title（参考訳）: ネモリ:認知科学に触発された自己組織化エージェント記憶
• Authors: Jiayan Nan, Wenquan Ma, Wenlong Wu, Yize Chen,
• Abstract要約: 人間の認知原理に触発された,新たな自己組織型メモリアーキテクチャであるNemoriを紹介する。 ネモリの中核的な革新は、会話の流れを意味的に一貫性のあるエピソードに自律的に整理するトップダウン手法である。 ネモリは最先端のシステムよりも優れており、その利点は特に長い文脈で顕著である。
• 参考スコア（独自算出の注目度）: 1.4688849984602808
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) demonstrate remarkable capabilities, yet their inability to maintain persistent memory in long contexts limits their effectiveness as autonomous agents in long-term interactions. While existing memory systems have made progress, their reliance on arbitrary granularity for defining the basic memory unit and passive, rule-based mechanisms for knowledge extraction limits their capacity for genuine learning and evolution. To address these foundational limitations, we present Nemori, a novel self-organizing memory architecture inspired by human cognitive principles. Nemori's core innovation is twofold: First, its Two-Step Alignment Principle, inspired by Event Segmentation Theory, provides a principled, top-down method for autonomously organizing the raw conversational stream into semantically coherent episodes, solving the critical issue of memory granularity. Second, its Predict-Calibrate Principle, inspired by the Free-energy Principle, enables the agent to proactively learn from prediction gaps, moving beyond pre-defined heuristics to achieve adaptive knowledge evolution. This offers a viable path toward handling the long-term, dynamic workflows of autonomous agents. Extensive experiments on the LoCoMo and LongMemEval benchmarks demonstrate that Nemori significantly outperforms prior state-of-the-art systems, with its advantage being particularly pronounced in longer contexts.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、顕著な能力を示すが、長期の相互作用において永続的なメモリを維持することができないため、自律的なエージェントとしての有効性が制限される。 既存のメモリシステムは進歩してきたが、基本的なメモリ単位を定義するための任意の粒度と、知識抽出のためのパッシブなルールベースのメカニズムは、真の学習と進化の能力を制限する。 これらの基礎的制約に対処するため,人間の認知原理に触発された,新たな自己組織化メモリアーキテクチャであるNemoriを紹介した。 イベントセグメンテーション理論(Event Segmentation Theory)にインスパイアされた2段階アライメント原理(Two-Step Alignment Principle)は、生の会話ストリームを意味的に一貫性のあるエピソードに自律的に整理し、メモリの粒度の重大な問題を解く、原則化されたトップダウン手法を提供する。 第二に、その予測・キャリブレート原理は自由エネルギー原理に触発され、エージェントは予測ギャップから積極的に学習することができ、事前に定義されたヒューリスティックスを超えて適応的な知識進化を達成することができる。 これにより、自律エージェントの長期的な動的ワークフローを扱うための実行可能なパスが提供される。 LoCoMoとLongMemEvalのベンチマークによる大規模な実験では、Nemoriは最先端のシステムよりも大幅に優れており、特に長いコンテキストで顕著である。

関連論文リスト

• MemOS: A Memory OS for AI System [116.87568350346537]
  大規模言語モデル(LLM)は、人工知能(AGI)にとって不可欠な基盤となっている。 既存のモデルは、主に静的パラメータと短命なコンテキスト状態に依存しており、ユーザの好みを追跡したり、長い期間にわたって知識を更新する能力を制限する。 MemOSはメモリを管理可能なシステムリソースとして扱うメモリオペレーティングシステムである。
  論文  参考訳（メタデータ） (2025-07-04T17:21:46Z)
• Stable Hadamard Memory: Revitalizing Memory-Augmented Agents for Reinforcement Learning [64.93848182403116]
  現在のディープラーニングメモリモデルは、部分的に観察可能で長期にわたる強化学習環境で苦労している。 本稿では,強化学習エージェントのための新しい記憶モデルであるStable Hadamard Memoryを紹介する。 我々の手法は、部分的に観測可能なベンチマークに挑戦する上で、最先端のメモリベースの手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-10-14T03:50:17Z)
• Hierarchical Working Memory and a New Magic Number [1.024113475677323]
  本稿では,作業記憶のシナプス理論の枠組み内でチャンキングを行うための繰り返しニューラルネットワークモデルを提案する。 我々の研究は、認知に不可欠な脳内の情報のオンザフライ組織を理解するための、概念的で分析的な枠組みを提供する。
  論文  参考訳（メタデータ） (2024-08-14T16:03:47Z)
• Empowering Working Memory for Large Language Model Agents [9.83467478231344]
  本稿では,認知心理学のワーキングメモリフレームワークを大規模言語モデル(LLM)に適用する可能性について検討する。 エピソード間の記憶を維持するために、集中型ワーキングメモリハブとエピソディックバッファアクセスを取り入れた革新的なモデルが提案されている。 このアーキテクチャは、複雑なタスクと協調シナリオの間のニュアンス付きコンテキスト推論に対して、より継続的なものを提供することを目的としている。
  論文  参考訳（メタデータ） (2023-12-22T05:59:00Z)
• A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian Learning and Free Energy Minimization [55.11642177631929]
  大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。 我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
  論文  参考訳（メタデータ） (2023-10-14T23:28:48Z)
• Memory-and-Anticipation Transformer for Online Action Understanding [52.24561192781971]
  本稿では,過去,現在,未来を含む時間構造全体をモデル化する,メモリ予測に基づく新しいパラダイムを提案する。 本稿では,メモリ・アンド・アンティフィケーション・トランスフォーマ(MAT)を提案する。
  論文  参考訳（メタデータ） (2023-08-15T17:34:54Z)
• Energy-based General Sequential Episodic Memory Networks at the Adiabatic Limit [3.5450828190071655]
  GSEMM(General Sequential Episodic Memory Models)を新たに導入する。 動的エネルギー面は、ネットワークの隠された層に信号の伝搬遅延を伴う新しい非対称なシナプスによって実現される。 DSEMは、ネットワーク内のニューロン数とともに指数関数的に増大する記憶容量を有することを示す。
  論文  参考訳（メタデータ） (2022-12-11T18:09:34Z)
• Generalized Reinforcement Learning: Experience Particles, Action Operator, Reinforcement Field, Memory Association, and Decision Concepts [2.398608007786179]
  本稿では,ベイズ風の一般強化学習フレームワークを提案する。 まず,不確実性や流動挙動に対処するためのパラメトリック・アクション・モデルを構築した。 次に,学習者の作業記憶に保持される「偏極化経験粒子」によって確立された物理に着想を得た構成体として,強化場の概念を導入する。
  論文  参考訳（メタデータ） (2022-08-09T15:05:15Z)
• Pessimism meets VCG: Learning Dynamic Mechanism Design via Offline Reinforcement Learning [114.36124979578896]
  オフライン強化学習アルゴリズムを用いて動的メカニズムを設計する。 我々のアルゴリズムは悲観主義の原理に基づいており、オフラインデータセットのカバレッジについて軽度な仮定しか必要としない。
  論文  参考訳（メタデータ） (2022-05-05T05:44:26Z)
• Schematic Memory Persistence and Transience for Efficient and Robust Continual Learning [8.030924531643532]
  継続学習は、次世代人工知能(AI)に向けた有望なステップであると考えられている まだ非常に原始的であり、既存の作品は主に(破滅的な)忘れの回避に焦点が当てられている。 神経科学の最近の進歩を踏まえた,外部記憶を用いた連続学習のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-05-05T14:32:47Z)
• Learning to Learn Variational Semantic Memory [132.39737669936125]
  我々はメタラーニングに変分セマンティックメモリを導入し、数ショットラーニングのための長期的知識を得る。 セマンティックメモリはスクラッチから成長し、経験したタスクから情報を吸収することで徐々に統合される。 アドレスコンテンツから潜在記憶変数の変動推論としてメモリリコールを定式化する。
  論文  参考訳（メタデータ） (2020-10-20T15:05:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。