論文の概要: MemMA: Coordinating the Memory Cycle through Multi-Agent Reasoning and In-Situ Self-Evolution
- arxiv url: http://arxiv.org/abs/2603.18718v1
- Date: Thu, 19 Mar 2026 10:15:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-20 17:19:06.082873
- Title: MemMA: Coordinating the Memory Cycle through Multi-Agent Reasoning and In-Situ Self-Evolution
- Title（参考訳）: MemMA: マルチエージェント推論とその場での自己進化によるメモリサイクルの調整
- Abstract要約: メモリ拡張LDMエージェントは、長期の相互作用をサポートするために外部メモリバンクを保持する。
MemMAはプラグアンドプレイのマルチエージェントフレームワークで、前方と後方の両方の経路に沿ってメモリサイクルを調整する。
- 参考スコア（独自算出の注目度）: 52.29303869050117
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Memory-augmented LLM agents maintain external memory banks to support long-horizon interaction, yet most existing systems treat construction, retrieval, and utilization as isolated subroutines. This creates two coupled challenges: strategic blindness on the forward path of the memory cycle, where construction and retrieval are driven by local heuristics rather than explicit strategic reasoning, and sparse, delayed supervision on the backward path, where downstream failures rarely translate into direct repairs of the memory bank. To address these challenges, we propose MemMA, a plug-and-play multi-agent framework that coordinates the memory cycle along both the forward and backward paths. On the forward path, a Meta-Thinker produces structured guidance that steers a Memory Manager during construction and directs a Query Reasoner during iterative retrieval. On the backward path, MemMA introduces in-situ self-evolving memory construction, which synthesizes probe QA pairs, verifies the current memory, and converts failures into repair actions before the memory is finalized. Extensive experiments on LoCoMo show that MemMA consistently outperforms existing baselines across multiple LLM backbones and improves three different storage backends in a plug-and-play manner. Our code is publicly available at https://github.com/ventr1c/memma.
- Abstract（参考訳）: メモリ拡張LDMエージェントは、長期の相互作用をサポートするために外部メモリバンクを保持するが、既存のシステムのほとんどは、構築、検索、利用を独立したサブルーチンとして扱う。
これは、明示的な戦略的推論ではなく、建設と検索が局所的なヒューリスティックによって駆動されるメモリサイクルの前方経路の戦略的盲点と、下流の障害がメモリバンクの直接の修復にはほとんど変換されない後方経路の監督の遅れという2つの複合的な課題を生み出します。
これらの課題に対処するため,我々は,前方経路と後方経路の両方に沿ってメモリサイクルを調整する,プラグアンドプレイマルチエージェントフレームワークであるMemMAを提案する。
フォワードパスでは、Meta-Thinkerが構築中にMemory Managerを操縦し、反復検索中にQuery Reasonerを指示する構造化ガイダンスを生成する。
後進経路では、MemMAはプローブQAペアを合成し、現在のメモリを検証し、メモリが終了する前に障害を修復動作に変換する、その場で進化するメモリ構成を導入する。
LoCoMoの大規模な実験によると、MemMAは複数のLLMバックボーンで既存のベースラインを一貫して上回り、プラグアンドプレイで3つの異なるストレージバックエンドを改善している。
私たちのコードはhttps://github.com/ventr1c/memma.comで公開されています。
関連論文リスト
- InjecMEM: Memory Injection Attack on LLM Agent Memory Systems [31.104106193922956]
InjecMEMは、新しいメモリ注入攻撃パラダイムである。
我々は、レトリバー非依存のアンカーと対向コマンドでインジェクションを製作する。
複数のメモリシステムとバックボーンモデルにまたがって評価を行う。
論文 参考訳（メタデータ） (2026-08-24T16:37:50Z) - CoEvo-Mem: Co-Evolving Retrieval Policy and Memory Bank for LLM Agents [12.963751758893594]
本稿では,検索ポリシとメモリバンクを併用するクローズドループフレームワークを提案する。
textbfCoEvo-Memは7つのベンチマークで最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-08-03T06:04:51Z) - Memory as a Controlled Process: Learned Adaptive Memory Management for LLM Agents [72.3752981234916]
大きな言語モデル(LLM)エージェントは、タスク間の経験を蓄積するために、外部メモリシステムに依存している。
メモリ操作をマルコフ決定プロセスとしてモデル化するフレームワークである制御プロセス(MemCon)としてメモリを提示する。
MemConは、複数のメモリベースラインのタスク成功率を最大15.2ポイント上回り、トークン消費量を5-20%削減している。
論文 参考訳（メタデータ） (2026-07-15T08:32:40Z) - Memory is Reconstructed, Not Retrieved: Graph Memory for LLM Agents [51.30250860677378]
本稿では,連想記憶グラフとアクティブな再構成機構を組み合わせたフレームワークであるMRAgentを提案する。
Cue-Tag-Contentグラフ上で実行することで,メモリアクセスに直接推論を統合する。
LoCoMoベンチマークとLongMemEvalベンチマークの実験は、強いベースラインよりも大幅に改善されている。
論文 参考訳（メタデータ） (2026-06-04T11:29:46Z) - MemPro: Agentic Memory Systems as Evolvable Programs [26.76706603895889]
長期の自律エージェントは、記憶システムに履歴情報を保持し、進化する状態を追跡し、関連する知識を有限のコンテキストウインドウを超えて再利用することを要求する。
既存のエージェントメモリシステムは、通常、メモリ構築検索パイプライン(MCR)に従うが、配置後に周囲のパイプラインを固定しながら、主にメモリバンクに適応することが多い。
本稿では,MCRパイプライン全体をメモリバンクやプロンプトテキストのみに適応させるのではなく,進化可能なプログラムとして扱うシステムレベルの進化フレームワークであるMemProを提案する。
論文 参考訳（メタデータ） (2026-05-30T08:47:33Z) - MemGym: a Long-Horizon Memory Environment for LLM Agents [69.79226770543049]
本稿では,エージェントメモリのベンチマークであるMemGymを紹介する。
MemGymは、メモリパフォーマンスを推論、検索、ツール使用能力から切り離すメモリアイソレーションスコアを報告している。
MEMGYM-CODEQAとMEMGYM-DRの合成パイプラインは、長さ制御可能であり、各ステージでアブレーションを検証可能であり、下流のシナリオと密に整合している。
論文 参考訳（メタデータ） (2026-05-20T07:25:33Z) - Mem-T: Densifying Rewards for Long-Horizon Memory Agents [23.19373149519922]
我々は,動的更新やストリーミング入力によるマルチターン検索を行うために,軽量な階層型メモリデータベースと対話する自律メモリエージェントMem-Tを紹介する。
また,木誘導型強化学習フレームワークであるMoT-GRPOを提案する。
論文 参考訳（メタデータ） (2026-01-30T14:23:33Z) - AMA: Adaptive Memory via Multi-Agent Collaboration [54.490349689939166]
複数の粒度にまたがるメモリ管理に協調エージェントを活用する新しいフレームワークであるAMA(Adaptive Memory via Multi-Agent Collaboration)を提案する。
AMAは、ステート・オブ・ザ・アートのベースラインを著しく上回り、トークンの消費をフルコンテキストの手法と比べて約80%削減する。
論文 参考訳（メタデータ） (2026-01-28T08:09:49Z) - MemRec: Collaborative Memory-Augmented Agentic Recommender System [57.548438733740504]
我々はメモリ管理から推論をアーキテクチャ的に分離するフレームワークであるMemRecを提案する。
MemRecは動的コラボレーティブメモリグラフを管理する専用のLM_Memを導入した。
4つのベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-01-13T18:51:16Z) - Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents [57.38404718635204]
大規模言語モデル (LLM) エージェントは、有限コンテキストウィンドウによる長距離推論において基本的な制限に直面している。
既存のメソッドは通常、長期記憶(LTM)と短期記憶(STM)を独立したコンポーネントとして扱う。
本稿では,エージェントのポリシーに LTM と STM 管理を直接統合する統合フレームワークである Agentic Memory (AgeMem) を提案する。
論文 参考訳（メタデータ） (2026-01-05T08:24:16Z) - SEDM: Scalable Self-Evolving Distributed Memory for Agents [23.182291416527764]
SEDMは、メモリをパッシブリポジトリからアクティブな自己最適化コンポーネントに変換する検証可能で適応的なフレームワークである。
また,SEDMは,強いメモリベースラインに比べてトークンオーバーヘッドを低減しつつ,推論精度を向上することを示した。
結果は、SEDMをオープンエンドのマルチエージェントコラボレーションのためのスケーラブルで持続可能なメモリメカニズムとして強調する。
論文 参考訳（メタデータ） (2025-09-11T14:37:37Z)
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。