論文の概要: Infrastructure for Valuable, Tradable, and Verifiable Agent Memory

• arxiv url: http://arxiv.org/abs/2603.24564v1
• Date: Wed, 25 Mar 2026 17:43:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.416214
• Title: Infrastructure for Valuable, Tradable, and Verifiable Agent Memory
• Title（参考訳）: 有益でトレーダブルで検証可能なエージェントメモリのためのインフラストラクチャ
• Authors: Mengyuan Li, Lei Gao, Haoxuan Xu, Jiate Li, Potung Yu, Lingke Cheng, Yue Zhao, Murali Annavaram,
• Abstract要約: エージェント・メモリがエージェント・エコノミーの経済的コモディティとして機能しうると我々は主張する。 本稿では,メモリを検証可能な計算結果にバインドする clawgang と,認証済みのメモリアーティファクトの一覧,転送,管理を行う市場層 meowtrade を提案する。
• 参考スコア（独自算出の注目度）: 22.6868250524191
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Every API token you spend is your accumulated wealth; once you can prove its value and the effort behind it, you can resell it. As autonomous agents repeatedly call models and tools, they accumulate memories that are your intellectual property. But today these memories remain private and non-transferable, as there is no way to validate their value. We argue that agent memory can serve as an economic commodity in the agent economy, if buyers can verify that it is authentic, effort-backed, and produced in a compatible execution context. To realize this idea, we propose clawgang, which binds memory to verifiable computational provenance, and meowtrade, a market layer for listing, transferring, and governing certified memory artifacts. Together, they transform one-shot API token spending into reusable and tradable assets, enabling timely memory transfer, reducing repeated exploration, and opening a memory trade market.
• Abstract（参考訳）: すべてのAPIトークンは蓄積した富であり、その価値と背後にある労力を証明できれば、それを再販売することができます。 自律的なエージェントが繰り返しモデルやツールを呼び出すと、それはあなたの知的財産である記憶を蓄積する。 しかし今日では、これらの記憶はプライベートであり、その価値を検証する方法がないため、伝達不可能である。 エージェント・メモリがエージェント・エコノミーの経済的コモディティとして機能しうると我々は主張する。 このアイデアを実現するために、検証可能な計算結果にメモリをバインドするClawgangと、認定されたメモリアーティファクトをリストアップ、転送、管理するための市場層であるmeowtradeを提案する。 同時に、ワンショットAPIトークンの支出を再利用可能なトレーダブルアセットに変換し、タイムリーなメモリ転送を可能にし、反復的な探索を減らし、メモリ取引市場を開く。

関連論文リスト

• Towards Autonomous Memory Agents [8.294673275138122]
  我々は,知識を最小限のコストで獲得し,検証し,キュレートする自律記憶エージェントを提案する。 U-Memはこのアイデアを、コスト対応の知識抽出カスケードを通じて実現している。 検証可能なベンチマークと検証できないベンチマークでは、U-Memは以前のメモリベースラインを一貫して上回り、RLベースの最適化を上回ることができる。
  論文  参考訳（メタデータ） (2026-02-25T20:59:44Z)
• 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)
• Remember Me, Refine Me: A Dynamic Procedural Memory Framework for Experience-Driven Agent Evolution [52.76038908826961]
  我々は静的ストレージと動的推論のギャップを埋めるため、$textbfReMe$ ($textitRemember Me, Refine Me$)を提案する。 ReMeは3つのメカニズムを通じてメモリライフサイクルを革新する: $textitmulti-faceted distillation$, きめ細かい経験を抽出する。 BFCL-V3とAppWorldの実験では、ReMeが新しい最先端のエージェントメモリシステムを確立している。
  論文  参考訳（メタデータ） (2025-12-11T14:40:01Z)
• 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)
• MemoryVLA: Perceptual-Cognitive Memory in Vision-Language-Action Models for Robotic Manipulation [59.31354761628506]
  このようなタスクは本質的にマルコフ的ではないが、主流のVLAモデルはそれを見落としているため、ロボット操作には時間的コンテキストが不可欠である。 本稿では,長距離ロボット操作のためのコグニション・メモリ・アクション・フレームワークであるMemoryVLAを提案する。 本稿では,3つのロボットを対象とした150以上のシミュレーションと実世界のタスクについて評価する。
  論文  参考訳（メタデータ） (2025-08-26T17:57:16Z)
• Understanding Factual Recall in Transformers via Associative Memories [55.93756571457904]
  浅層変圧器は、連想記憶の組み合わせを用いて、ほぼ最適な記憶能力を得ることができることを示す。 本研究では, 1層に1つの自己注意を持つ変圧器にパラメータを付加することにより, ファクトリコールタスクにおいて100%の精度が得られることを示す。
  論文  参考訳（メタデータ） (2024-12-09T14:48:14Z)
• Do LLMs dream of elephants (when told not to)? Latent concept association and associative memory in transformers [40.964584197528175]
  LLM(Large Language Models)は、事実を保存およびリコールする能力を持つ。 LLMは、コンテキスト内の特定のトークンが事実を取得する手がかりとなる連想記憶モデルのように振る舞う。
  論文  参考訳（メタデータ） (2024-06-26T14:49:54Z)
• Semantic HELM: A Human-Readable Memory for Reinforcement Learning [9.746397419479445]
  人間の言語における過去の出来事を表現する新しい記憶機構を提案する。 私たちは、部分的に観測可能な環境のセットでメモリメカニズムをトレーニングし、それがメモリコンポーネントを必要とするタスクに優れていることを見つけます。 メモリメカニズムは人間が読めるので、エージェントのメモリを覗き見して、重要な情報が保存されているかどうかを確認することができます。
  論文  参考訳（メタデータ） (2023-06-15T17:47:31Z)
• Self-Attentive Associative Memory [69.40038844695917]
  我々は、個々の体験(記憶)とその発生する関係(関連記憶)の記憶を分離することを提案する。 機械学習タスクの多様性において,提案した2メモリモデルと競合する結果が得られる。
  論文  参考訳（メタデータ） (2020-02-10T03:27:48Z)

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。