論文の概要: Memory in the LLM Era: Modular Architectures and Strategies in a Unified Framework

• arxiv url: http://arxiv.org/abs/2604.01707v1
• Date: Thu, 02 Apr 2026 07:19:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.581416
• Title: Memory in the LLM Era: Modular Architectures and Strategies in a Unified Framework
• Title（参考訳）: LLM時代の記憶:統一フレームワークにおけるモジュールアーキテクチャと戦略
• Authors: Yanchen Wu, Tenghui Lin, Yingli Zhou, Fangyuan Zhang, Qintian Guo, Xun Zhou, Sibo Wang, Xilin Liu, Yuchi Ma, Yixiang Fang,
• Abstract要約: メモリは大きな言語モデル(LLM)ベースのエージェントの中核モジュールとして出現する。 まず、ハイレベルの観点から、既存のエージェントメモリメソッドをすべて組み込んだ統合フレームワークを要約する。 次に,2つのよく知られたベンチマークにおいて,代表エージェントのメモリ手法を広範囲に比較し,全手法の有効性について検討する。
• 参考スコア（独自算出の注目度）: 21.68420785280451
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Memory emerges as the core module in the large language model (LLM)-based agents for long-horizon complex tasks (e.g., multi-turn dialogue, game playing, scientific discovery), where memory can enable knowledge accumulation, iterative reasoning and self-evolution. A number of memory methods have been proposed in the literature. However, these methods have not been systematically and comprehensively compared under the same experimental settings. In this paper, we first summarize a unified framework that incorporates all the existing agent memory methods from a high-level perspective. We then extensively compare representative agent memory methods on two well-known benchmarks and examine the effectiveness of all methods, providing a thorough analysis of those methods. As a byproduct of our experimental analysis, we also design a new memory method by exploiting modules in the existing methods, which outperforms the state-of-the-art methods. Finally, based on these findings, we offer promising future research opportunities. We believe that a deeper understanding of the behavior of existing methods can provide valuable new insights for future research.
• Abstract（参考訳）: メモリは、長期にわたる複雑なタスク(例えば、マルチターン対話、ゲームプレイ、科学的な発見)のためのLLMベースのエージェントの中核モジュールとして現れ、メモリは知識の蓄積、反復的推論、自己進化を可能にする。 文献で多くのメモリ手法が提案されている。 しかし、これらの手法は、同じ実験条件下で体系的にも包括的にも比較されていない。 本稿では、まず、既存のエージェントメモリメソッドをすべて高レベルの観点から組み込んだ統合フレームワークを要約する。 次に,2つのよく知られたベンチマークにおいて,代表エージェントのメモリ手法を広範囲に比較し,全手法の有効性を検証し,それらの手法を徹底的に分析する。 また, 実験解析の副産物として, 既存手法のモジュールを利用した新しいメモリ手法を設計し, 最先端の手法よりも優れていることを示す。 最後に,これらの知見を踏まえ,将来的な研究機会を提供する。 既存の手法の振る舞いをより深く理解することは、今後の研究に有用な新しい洞察をもたらすことができると信じている。

関連論文リスト

• MetaMem: Evolving Meta-Memory for Knowledge Utilization through Self-Reflective Symbolic Optimization [57.17751568928966]
  自己進化型メタメモリでメモリシステムを拡張するフレームワークであるMetaMemを提案する。 メタメモリ最適化の間、MetaMemは異なるタスク間で伝達可能な知識利用経験を反復的に蒸留する。 大規模な実験ではMetaMemの有効性が示され、これは強いベースラインを3.6%以上上回っている。
  論文  参考訳（メタデータ） (2026-01-27T04:46:23Z)
• Rethinking Memory Mechanisms of Foundation Agents in the Second Half: A Survey [211.01908189012184]
  今年、何百もの論文が公開されたメモリは、ユーティリティギャップを埋めるための重要なソリューションとして現れます。 ファンデーションエージェントのメモリを3次元に統一したビューを提供する。 次に、異なるエージェントトポロジの下でメモリがどのようにインスタンス化され、操作されるかを分析する。
  論文  参考訳（メタデータ） (2026-01-14T07:38:38Z)
• 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)
• Memp: Exploring Agent Procedural Memory [72.41472703974935]
  LLM(Large Language Models)ベースのエージェントは様々なタスクをこなすが、静的パラメータで手動で設計または絡み合うような不安定なプロシージャメモリに悩まされる。 本稿では,過去のエージェントの軌跡をステップバイステップの細粒度と高レベルなスクリプトライクな抽象化の両方に蒸留するMempを提案する。 メモリレポジトリが洗練されるにつれて、エージェントは着実に高い成功率と類似タスクの効率を達成できることを示す。
  論文  参考訳（メタデータ） (2025-08-08T16:20:56Z)
• Hierarchical Memory for High-Efficiency Long-Term Reasoning in LLM Agents [19.04968632268433]
  大規模言語モデルエージェント(LLMエージェント)のための階層型メモリアーキテクチャを提案する。 各メモリベクトルは、次の層のセマンティック関連サブメモリを指し示す位置インデックスが埋め込まれている。 推論フェーズにおいて、インデックスベースのルーティング機構は、網羅的な類似性計算を行うことなく、効率的な層間検索を可能にする。
  論文  参考訳（メタデータ） (2025-07-23T12:45:44Z)
• On the Structural Memory of LLM Agents [20.529239764968654]
  メモリは、大規模言語モデル(LLM)ベースのエージェントが複雑で長期的な相互作用を行えるようにするための重要な役割を担っている。 本稿では,メモリ構造とメモリ検索手法がLCMエージェントの性能に与える影響について検討する。
  論文  参考訳（メタデータ） (2024-12-17T04:30:00Z)
• Unraveling the Complexity of Memory in RL Agents: an Approach for Classification and Evaluation [39.69790911626182]
  強化学習領域(RL)における多数のタスクにおいて、エージェントへのメモリの取り込みが不可欠である メモリ」という用語は幅広い概念を包含しており、エージェントのメモリを検証するための統一的な方法論が欠如していることと相まって、エージェントのメモリ能力に関する誤った判断につながる。 本稿では,エージェントメモリタイプを正確に定義することで,RLにおけるメモリ概念の合理化を目指す。
  論文  参考訳（メタデータ） (2024-12-09T14:34:31Z)
• Pin the Memory: Learning to Generalize Semantic Segmentation [68.367763672095]
  本稿ではメタラーニングフレームワークに基づくセマンティックセグメンテーションのための新しいメモリ誘導ドメイン一般化手法を提案する。 本手法は,セマンティッククラスの概念的知識を,ドメインを超えて一定であるカテゴリ記憶に抽象化する。
  論文  参考訳（メタデータ） (2022-04-07T17:34:01Z)

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。