Fugu-MT 論文翻訳(概要): Memory Intelligence Agent

論文の概要: Memory Intelligence Agent

arxiv url: http://arxiv.org/abs/2604.04503v1
Date: Mon, 06 Apr 2026 07:59:52 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-07 15:49:19.139724
Title: Memory Intelligence Agent
Title（参考訳）: メモリインテリジェンスエージェント
Authors: Jingyang Qiao, Weicheng Meng, Yu Cheng, Zhihang Lin, Zhizhong Zhang, Xin Tan, Jingyu Gong, Kun Shao, Yuan Xie,
Abstract要約: メモリシステムにより、ディープリサーチエージェント(DRA)は歴史的な経験を活用できる。既存の方法は、推論を助けるために、メモリから類似の軌跡を取得することに依存している。本稿では, Manager-Planner-Executorアーキテクチャからなる新しいメモリインテリジェンスエージェントフレームワークを提案する。
参考スコア（独自算出の注目度）: 32.709148411051764
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep research agents (DRAs) integrate LLM reasoning with external tools. Memory systems enable DRAs to leverage historical experiences, which are essential for efficient reasoning and autonomous evolution. Existing methods rely on retrieving similar trajectories from memory to aid reasoning, while suffering from key limitations of ineffective memory evolution and increasing storage and retrieval costs. To address these problems, we propose a novel Memory Intelligence Agent (MIA) framework, consisting of a Manager-Planner-Executor architecture. Memory Manager is a non-parametric memory system that can store compressed historical search trajectories. Planner is a parametric memory agent that can produce search plans for questions. Executor is another agent that can search and analyze information guided by the search plan. To build the MIA framework, we first adopt an alternating reinforcement learning paradigm to enhance cooperation between the Planner and the Executor. Furthermore, we enable the Planner to continuously evolve during test-time learning, with updates performed on-the-fly alongside inference without interrupting the reasoning process. Additionally, we establish a bidirectional conversion loop between parametric and non-parametric memories to achieve efficient memory evolution. Finally, we incorporate a reflection and an unsupervised judgment mechanisms to boost reasoning and self-evolution in the open world. Extensive experiments across eleven benchmarks demonstrate the superiority of MIA.
Abstract（参考訳）: ディープリサーチエージェント(DRA)は、LCM推論と外部ツールを統合する。メモリシステムにより、DRAは効率的な推論と自律進化に不可欠な歴史的経験を活用することができる。既存の手法では、メモリの効率の悪さとストレージと検索コストの増大に悩まされながら、推論を助けるために、メモリから類似の軌跡を検索することに依存している。これらの問題に対処するために,マネージャ・プランナー・エクゼクタアーキテクチャからなる新しいメモリインテリジェンス・エージェント(MIA)フレームワークを提案する。 Memory Managerは、圧縮された履歴検索軌跡を格納できる非パラメトリックメモリシステムである。 Plannerはパラメトリックメモリエージェントで、質問の探索計画を作成することができる。 Executorは、検索計画によってガイドされた情報を検索し分析できる別のエージェントである。 MIAフレームワークを構築するために,我々はまず,プランナーと実行者間の協調を強化するために,交互に強化学習パラダイムを採用する。さらに、テスト時間学習中にPlannerを継続的に進化させ、推論と同時に更新をオンザフライで行なえるようにし、推論プロセスの中断をなくす。さらに、パラメトリックメモリと非パラメトリックメモリの双方向変換ループを構築し、効率的なメモリ進化を実現する。最後に、オープンな世界における推論と自己進化を促進するために、リフレクションと教師なしの判断機構を組み込む。 11のベンチマークにわたる大規模な実験は、MIAの優位性を示している。

関連論文リスト

Memory for Autonomous LLM Agents:Mechanisms, Evaluation, and Emerging Frontiers [0.42061757959666934]
大きな言語モデル(LLM)エージェントは、単一のコンテキストウィンドウが小さすぎて何が起きているのかをキャプチャできないような環境で、ますます運用される。メモリはステートレステキストジェネレータを真に適応的なエージェントに変える。この調査は、メモリがどのように設計され、実装され、現代のLCMベースのエージェントで評価されるかという構造化された説明を提供する。
論文参考訳（メタデータ） (2026-03-08T15:08:01Z)
Graph-based Agent Memory: Taxonomy, Techniques, and Applications [63.70340159016138]
メモリはLarge Language Model(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。さまざまなパラダイムの中でグラフは、関係依存をモデル化する本質的な能力のため、エージェントメモリの強力な構造として際立っている。本調査では, エージェントメモリの総合的な検討について, グラフベースの観点から述べる。
論文参考訳（メタデータ） (2026-02-05T13:49:05Z)
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)
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)
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)
EvoMem: Improving Multi-Agent Planning with Dual-Evolving Memory [2.9578217823740065]
本稿では,デュアル進化メモリ機構上に構築されたマルチエージェントフレームワークであるEvoMemを紹介する。旅行計画、会議計画、カレンダースケジューリングにおける一貫したパフォーマンス改善を示す。この成功は、マルチエージェント計画の強化におけるメモリの重要性を強調している。
論文参考訳（メタデータ） (2025-11-01T01:38:07Z)
MemGen: Weaving Generative Latent Memory for Self-Evolving Agents [57.1835920227202]
本稿では,エージェントに人間的な認知機能を持たせる動的生成記憶フレームワークであるMemGenを提案する。 MemGenは、エージェントが推論を通して潜在記憶をリコールし、増大させ、記憶と認知の密接なサイクルを生み出すことを可能にする。
論文参考訳（メタデータ） (2025-09-29T12:33:13Z)
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。