論文の概要: Controllable Memory Usage: Balancing Anchoring and Innovation in Long-Term Human-Agent Interaction

• arxiv url: http://arxiv.org/abs/2601.05107v1
• Date: Thu, 08 Jan 2026 16:54:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.289047
• Title: Controllable Memory Usage: Balancing Anchoring and Innovation in Long-Term Human-Agent Interaction
• Title（参考訳）: 制御可能なメモリ利用:長期の人間-エージェントインタラクションにおけるアンコリングとイノベーションのバランス
• Authors: Muzhao Tian, Zisu Huang, Xiaohua Wang, Jingwen Xu, Zhengkang Guo, Qi Qian, Yuanzhe Shen, Kaitao Song, Jiakang Yuan, Changze Lv, Xiaoqing Zheng,
• Abstract要約: エージェントのメモリ依存を明示的かつユーザ制御可能な次元としてモデル化できることを示す。 textbfSteerable textbfMemory Agent, textttSteeMを提案する。
• 参考スコア（独自算出の注目度）: 35.20324450282101
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: As LLM-based agents are increasingly used in long-term interactions, cumulative memory is critical for enabling personalization and maintaining stylistic consistency. However, most existing systems adopt an ``all-or-nothing'' approach to memory usage: incorporating all relevant past information can lead to \textit{Memory Anchoring}, where the agent is trapped by past interactions, while excluding memory entirely results in under-utilization and the loss of important interaction history. We show that an agent's reliance on memory can be modeled as an explicit and user-controllable dimension. We first introduce a behavioral metric of memory dependence to quantify the influence of past interactions on current outputs. We then propose \textbf{Stee}rable \textbf{M}emory Agent, \texttt{SteeM}, a framework that allows users to dynamically regulate memory reliance, ranging from a fresh-start mode that promotes innovation to a high-fidelity mode that closely follows interaction history. Experiments across different scenarios demonstrate that our approach consistently outperforms conventional prompting and rigid memory masking strategies, yielding a more nuanced and effective control for personalized human-agent collaboration.
• Abstract（参考訳）: LLMをベースとしたエージェントは、長期的相互作用においてますます使われるようになっているため、累積記憶はパーソナライズとスタイリスティックな整合性を維持するために重要である。 しかし、既存のほとんどのシステムでは、メモリ使用量に対する `all-or-nothing' アプローチを採用している: すべての関連する過去の情報を統合すると、エージェントが過去のインタラクションに閉じ込められ、メモリを完全に除外すると、未使用と重要なインタラクション履歴が失われる。 エージェントのメモリ依存を明示的かつユーザ制御可能な次元としてモデル化できることを示す。 まず、過去の相互作用が現在の出力に与える影響を定量化するために、メモリ依存の行動指標を導入する。 次に, ユーザがメモリ依存を動的に制御できるフレームワークである, \textbf{Stee}rable \textbf{M}emory Agent, \texttt{SteeM}を提案する。 異なるシナリオにわたる実験により、我々のアプローチは従来のプロンプトと厳格なメモリマスキング戦略を一貫して上回り、パーソナライズされた人間とエージェントのコラボレーションをより微妙かつ効果的に制御できることを示した。

関連論文リスト

• Memoria: A Scalable Agentic Memory Framework for Personalized Conversational AI [0.6840655769002751]
  エージェントメモリは大規模言語モデル(LLM)のキーイネーブラーとして登場しつつある 我々は,LLMベースの会話システムを永続的,解釈可能,コンテキストに富んだメモリで拡張するモジュール型メモリフレームワークであるMemoriaを紹介する。 我々は、ステートレスLLMインタフェースとエージェントメモリシステムとのギャップを埋めることで、Memoriaがスケーラブルでパーソナライズされた対話型人工知能(AI)を実現する方法を実証する。
  論文  参考訳（メタデータ） (2025-12-14T13:38:06Z)
• O-Mem: Omni Memory System for Personalized, Long Horizon, Self-Evolving Agents [60.1848551962911]
  O-Memはアクティブユーザプロファイリングに基づく新しいメモリフレームワークである。 O-Memはペルソナ属性とトピック関連コンテキストの階層的検索をサポートする。
  論文  参考訳（メタデータ） (2025-11-17T16:55:19Z)
• Dynamic Affective Memory Management for Personalized LLM Agents [1.7600011132381626]
  情緒的シナリオのための新しいメモリ管理システムを提案する。 本システムは,パーソナライズ,論理コヒーレンス,精度において優れた性能を発揮する。 我々の研究は、長期記憶システムの設計に関する新たな洞察を提供する。
  論文  参考訳（メタデータ） (2025-10-31T12:12:51Z)
• RGMem: Renormalization Group-based Memory Evolution for Language Agent User Profile [8.224917568034572]
  物理における古典的再正規化群(RG)のイデオロギーに着想を得た自己進化型メモリフレームワークを提案する。 このフレームワークは対話履歴を複数のスケールで整理することができる。 私たちの研究の中核的な革新は、情報圧縮と出現のマルチスケールプロセスとしてのメモリ進化をモデル化することにあります。
  論文  参考訳（メタデータ） (2025-10-18T08:16:46Z)
• ReasoningBank: Scaling Agent Self-Evolving with Reasoning Memory [57.517214479414726]
  ReasoningBankは、エージェントの自己判断の成功と失敗の経験から一般化可能な推論戦略を抽出するメモリフレームワークである。 テスト時には、エージェントがReasoningBankから関連する記憶を取得してそのインタラクションを知らせ、新しい学習を統合することで、時間が経つにつれてより有能になる。 本稿では,エージェントのインタラクションエクスペリエンスをスケールアップすることにより,学習プロセスの高速化と多様化を図るメモリ対応テストタイムスケーリング(MaTTS)を提案する。
  論文  参考訳（メタデータ） (2025-09-29T17:51:03Z)
• MemGen: Weaving Generative Latent Memory for Self-Evolving Agents [57.1835920227202]
  本稿では,エージェントに人間的な認知機能を持たせる動的生成記憶フレームワークであるMemGenを提案する。 MemGenは、エージェントが推論を通して潜在記憶をリコールし、増大させ、記憶と認知の密接なサイクルを生み出すことを可能にする。
  論文  参考訳（メタデータ） (2025-09-29T12:33:13Z)
• Dynamic Memory based Attention Network for Sequential Recommendation [79.5901228623551]
  DMAN(Dynamic Memory-based Attention Network)と呼ばれる新しい連続的推薦モデルを提案する。 長い動作シーケンス全体を一連のサブシーケンスに分割し、モデルをトレーニングし、ユーザの長期的な利益を維持するためにメモリブロックのセットを維持する。 動的メモリに基づいて、ユーザの短期的および長期的関心を明示的に抽出し、組み合わせて効率的な共同推薦を行うことができる。
  論文  参考訳（メタデータ） (2021-02-18T11:08:54Z)

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。