論文の概要: Oblivion: Self-Adaptive Agentic Memory Control through Decay-Driven Activation

• arxiv url: http://arxiv.org/abs/2604.00131v1
• Date: Tue, 31 Mar 2026 18:37:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.680559
• Title: Oblivion: Self-Adaptive Agentic Memory Control through Decay-Driven Activation
• Title（参考訳）: Oblivion: 遅延駆動型活性化による自己適応型エージェントメモリ制御
• Authors: Ashish Rana, Chia-Chien Hung, Qumeng Sun, Julian Martin Kunkel, Carolin Lawrence,
• Abstract要約: オーブリビオンは、崩壊によるアクセシビリティの低下を忘れ、明示的な削除ではない。 Oblivionはメモリ制御をリードパスとライトパスに分離する。 その結果,Oblivionはメモリアクセスと強化を動的に適用できることがわかった。
• 参考スコア（独自算出の注目度）: 12.540683414173893
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Human memory adapts through selective forgetting: experiences become less accessible over time but can be reactivated by reinforcement or contextual cues. In contrast, memory-augmented LLM agents rely on "always-on" retrieval and "flat" memory storage, causing high interference and latency as histories grow. We introduce Oblivion, a memory control framework that casts forgetting as decay-driven reductions in accessibility, not explicit deletion. Oblivion decouples memory control into read and write paths. The read path decides when to consult memory, based on agent uncertainty and memory buffer sufficiency, avoiding redundant always-on access. The write path decides what to strengthen, by reinforcing memories contributing to forming the response. Together, this enables hierarchical memory organization that maintains persistent high-level strategies while dynamically loading details as needed. We evaluate on both static and dynamic long-horizon interaction benchmarks. Results show that Oblivion dynamically adapts memory access and reinforcement, balancing learning and forgetting under shifting contexts, highlighting that memory control is essential for effective LLM-agentic reasoning. The source code is available at https://github.com/nec-research/oblivion.
• Abstract（参考訳）: 経験は時間が経つにつれてアクセスしにくくなるが、強化や文脈的手がかりによって再活性化される。 対照的に、メモリ拡張LDMエージェントは「常にオン」な検索と「フラット」なメモリストレージに依存しており、歴史が成長するにつれて高い干渉と遅延を引き起こしている。 我々は,メモリ制御フレームワークであるOblivionを紹介した。 Oblivionはメモリ制御をリードパスとライトパスに分離する。 読み取りパスは、エージェントの不確かさとメモリバッファ飽和度に基づいてメモリをいつ参照するかを決定し、冗長な常時アクセスを避ける。 書き込みパスは、応答の形成に寄与する記憶を強化することにより、何を強化するかを決定する。 これにより、必要に応じて詳細を動的にロードしながら、永続的な高レベル戦略を維持する階層的なメモリ組織が可能になる。 静的および動的ロングホライゾン相互作用ベンチマークの評価を行った。 その結果、Oblivionはメモリアクセスと強化を動的に適応し、学習と学習のバランスを保ち、記憶制御がLLMの効果的な推論に欠かせないことを浮き彫りにした。 ソースコードはhttps://github.com/nec-research/oblivion.comで公開されている。

関連論文リスト

• MemMA: Coordinating the Memory Cycle through Multi-Agent Reasoning and In-Situ Self-Evolution [52.29303869050117]
  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。
  論文  参考訳（メタデータ） (2026-03-19T10:15:59Z)
• Evoking User Memory: Personalizing LLM via Recollection-Familiarity Adaptive Retrieval [59.295767860331004]
  RF-Memは、親しみやすい不確実性誘導デュアルパスメモリレトリバーである。 それは、人間のようなデュアルプロセス認識をレトリバーに埋め込む。 一定の予算とレイテンシの制約の下で、ワンショット検索とフルコンテキスト推論を一貫して上回る。
  論文  参考訳（メタデータ） (2026-03-10T06:31:44Z)
• ActMem: Bridging the Gap Between Memory Retrieval and Reasoning in LLM Agents [14.695250837875454]
  本稿では,ActMemと呼ばれる新しい動作可能なメモリフレームワークを提案する。 ActMemは非構造化対話履歴を構造化因果グラフと意味グラフに変換する。 エージェントは暗黙の制約を推論し、過去の状態と現在の意図の間の潜在的な衝突を解決することができる。
  論文  参考訳（メタデータ） (2026-02-04T00:54:53Z)
• Learning How to Remember: A Meta-Cognitive Management Method for Structured and Transferable Agent Memory [31.318565330948562]
  本稿では,メタ認知メモリ抽象化法(MCMA)を提案する。 MCMAはメモリ抽象化を、一定の設計選択ではなく、学習可能な認知スキルとして扱う。 ALFWorld、ScienceWorld、BabyAIの実験では、パフォーマンス、アウト・オブ・ディストリビューションの一般化、クロスタスク転送が大幅に改善された。
  論文  参考訳（メタデータ） (2026-01-12T12:26:02Z)
• Memory Matters More: Event-Centric Memory as a Logic Map for Agent Searching and Reasoning [55.251697395358285]
  大規模言語モデル(LLM)は、環境を推論し、計画し、相互作用するインテリジェントエージェントとして、ますます多くデプロイされている。 長期のシナリオに効果的にスケールするには、そのようなエージェントの重要な機能は、過去の経験を保持し、整理し、取り出すことができるメモリメカニズムである。 イベント理論にインスパイアされたイベント中心のメモリフレームワークであるCompassMemを提案する。
  論文  参考訳（メタデータ） (2026-01-08T08:44:07Z)
• Evaluating Long-Term Memory for Long-Context Question Answering [100.1267054069757]
  質問応答タスクにアノテートした合成長文対話のベンチマークであるLoCoMoを用いて,メモリ拡張手法の体系的評価を行う。 以上の結果から,メモリ拡張アプローチによりトークン使用率が90%以上削減され,競争精度が向上した。
  論文  参考訳（メタデータ） (2025-10-27T18:03:50Z)
• 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)
• Memorization and Knowledge Injection in Gated LLMs [8.305942415868042]
  大規模言語モデル(LLM)は、現在、シーケンシャルに新しい記憶を追加し、新しい知識を統合するのに苦労している。 Gated LLM (MEGa) に埋め込まれたメモリは、イベントメモリを直接 LLM の重みに注入する。 推論中、ゲーティング機構は、クエリの埋め込みとストアドメモリの埋め込みとをマッチングすることで、関連するメモリ重みを活性化する。
  論文  参考訳（メタデータ） (2025-04-30T00:28:32Z)
• Ever-Evolving Memory by Blending and Refining the Past [30.63352929849842]
  CREEMは長期会話のための新しい記憶システムである。 過去と現在の情報をシームレスに接続すると同時に、障害情報を忘れる能力も備えている。
  論文  参考訳（メタデータ） (2024-03-03T08:12:59Z)
• Augmenting Language Models with Long-Term Memory [142.04940250657637]
  既存の大規模言語モデル(LLM)では、入力長制限のため、固定サイズの入力しかできない。 本稿では,Long-Term Memory (LongMem) を付加した言語モデルを提案する。
  論文  参考訳（メタデータ） (2023-06-12T15:13:39Z)

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。