論文の概要: Learning to Continually Learn via Meta-learning Agentic Memory Designs

• arxiv url: http://arxiv.org/abs/2602.07755v1
• Date: Sun, 08 Feb 2026 01:20:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.78891
• Title: Learning to Continually Learn via Meta-learning Agentic Memory Designs
• Title（参考訳）: メタラーニングエージェントメモリ設計による継続的な学習
• Authors: Yiming Xiong, Shengran Hu, Jeff Clune,
• Abstract要約: ALMA(Automated Meta-Learning of Memory Design for Agentic Systems)は、手作業によるメモリ設計を置き換えるために、メモリ設計をメタ学習するフレームワークである。 提案手法では,実行可能コードとして表現されたメモリ設計をオープンな方法で検索するメタエージェントを用いる。
• 参考スコア（独自算出の注目度）: 22.10429892509733
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The statelessness of foundation models bottlenecks agentic systems' ability to continually learn, a core capability for long-horizon reasoning and adaptation. To address this limitation, agentic systems commonly incorporate memory modules to retain and reuse past experience, aiming for continual learning during test time. However, most existing memory designs are human-crafted and fixed, which limits their ability to adapt to the diversity and non-stationarity of real-world tasks. In this paper, we introduce ALMA (Automated meta-Learning of Memory designs for Agentic systems), a framework that meta-learns memory designs to replace hand-engineered memory designs, therefore minimizing human effort and enabling agentic systems to be continual learners across diverse domains. Our approach employs a Meta Agent that searches over memory designs expressed as executable code in an open-ended manner, theoretically allowing the discovery of arbitrary memory designs, including database schemas as well as their retrieval and update mechanisms. Extensive experiments across four sequential decision-making domains demonstrate that the learned memory designs enable more effective and efficient learning from experience than state-of-the-art human-crafted memory designs on all benchmarks. When developed and deployed safely, ALMA represents a step toward self-improving AI systems that learn to be adaptive, continual learners.
• Abstract（参考訳）: 基礎モデルの無秩序さは、エージェントシステムの継続的な学習能力、長期的推論と適応のコア能力のボトルネックとなる。 この制限に対処するため、エージェントシステムはメモリモジュールを一般的に組み込んで過去の経験を維持し再利用し、テスト期間中の継続的な学習を目指している。 しかし、既存のメモリ設計のほとんどは人造で固定されており、現実世界のタスクの多様性と非定常性に適応する能力を制限する。 本稿では,ALMA(Automated Meta-Learning of Memory Design for Agentic Systems)について紹介する。 提案手法では, データベーススキーマや検索・更新機構など, 任意のメモリ設計の発見を可能にするメタエージェントを用いて, 実行可能コードとして表現されたメモリ設計を理論的に検索する。 4つのシーケンシャルな意思決定領域にわたる広範囲な実験により、学習したメモリ設計は、すべてのベンチマークにおける最先端の人為的なメモリ設計よりも、経験からより効率的で効率的な学習を可能にすることが示された。 ALMAは、開発とデプロイを安全に行うことで、適応的で継続的な学習者を学ぶための自己改善型AIシステムへの一歩である。

関連論文リスト

• MemEvolve: Meta-Evolution of Agent Memory Systems [66.09735157017558]
  自己進化型メモリシステムは、大型言語モデル(LLM)ベースのエージェントの進化パラダイムを前例のない形で再構築している。 MemeEvolveは、エージェントの経験的知識とメモリアーキテクチャを共同で進化させるメタ進化フレームワークである。 EvolveLabは、12の代表的なメモリシステムをモジュール設計空間に蒸留する、統一された自己進化型メモリである。
  論文  参考訳（メタデータ） (2025-12-21T14:26:14Z)
• Memory in the Age of AI Agents [217.9368190980982]
  この研究は、現在のエージェントメモリ研究の最新の展望を提供することを目的としている。 我々は,エージェントメモリ,すなわちトークンレベル,パラメトリック,潜時メモリの3つの支配的実現を同定する。 実用的な開発を支援するため、メモリベンチマークとオープンソースフレームワークの包括的な概要をコンパイルする。
  論文  参考訳（メタデータ） (2025-12-15T17:22:34Z)
• PISA: A Pragmatic Psych-Inspired Unified Memory System for Enhanced AI Agency [50.712873697511206]
  既存の作業は、多種多様なタスクへの適応性に欠けることが多く、AIエージェントメモリの構成的およびタスク指向の役割を見落としている。 PISAは,メモリを構築的かつ適応的なプロセスとして扱う,実践的でサイコにインスパイアされた統合メモリシステムである。 既存のLOCOMOベンチマークと新たに提案したデータ解析タスクのAggQAベンチマークに基づいて,PISAが適応性と長期的知識保持を大幅に向上させることで,新たな最先端技術を設定することを確認した。
  論文  参考訳（メタデータ） (2025-10-12T10:34:35Z)
• A Scenario-Driven Cognitive Approach to Next-Generation AI Memory [12.798608799338275]
  COLMAは認知シナリオ、メモリプロセス、記憶機構を結合的な設計に統合する新しいフレームワークである。 生涯学習と人間のような推論が可能なAIシステムの開発のための構造化された基盤を提供する。
  論文  参考訳（メタデータ） (2025-09-16T16:43:07Z)
• 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)

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。