Fugu-MT 論文翻訳(概要): Memory as Metabolism: A Design for Companion Knowledge Systems

論文の概要: Memory as Metabolism: A Design for Companion Knowledge Systems

arxiv url: http://arxiv.org/abs/2604.12034v1
Date: Mon, 13 Apr 2026 20:22:53 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-15 19:11:32.110976
Title: Memory as Metabolism: A Design for Companion Knowledge Systems
Title（参考訳）: メタボリズムとしての記憶 : コンパニオン知識システムのための設計
Authors: Stefan Miteski,
Abstract要約: 本稿では,単一ユーザ LLM メモリに対するコンパニオン固有のガバナンスプロファイルを提案する。設計原理は、パーソナライズ LLM メモリがコンパニオンシステムであるということである。シングルエージェントレベルでの安全ストーリーは部分的であり、論文はそれが何をするかを明確にし、解決しない。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Retrieval-Augmented Generation remains the dominant pattern for giving LLMs persistent memory, but a visible cluster of personal wiki-style memory architectures emerged in April 2026 -- design proposals from Karpathy, MemPalace, and LLM Wiki v2 that compile knowledge into an interlinked artifact for long-term use by a single user. They sit alongside production memory systems that the major labs have shipped for over a year, and an active academic lineage including MemGPT, Generative Agents, Mem0, Zep, A-Mem, MemMachine, SleepGate, and Second Me. Within a 2026 landscape of emerging governance frameworks for agent context and memory -- including Context Cartography and MemOS -- this paper proposes a companion-specific governance profile: a set of normative obligations, a time-structured procedural rule, and testable conformance invariants for the specific failure mode of entrenchment under user-coupled drift in single-user knowledge wikis built on the LLM wiki pattern. The design principle is that personal LLM memory is a companion system: its job is to mirror the user on operational dimensions (working vocabulary, load-bearing structure, continuity of context) and compensate on epistemic failure modes (entrenchment, suppression of contradicting evidence, Kuhnian ossification). Five operations implement this split -- TRIAGE, DECAY, CONTEXTUALIZE, CONSOLIDATE, AUDIT -- supported by memory gravity and minority-hypothesis retention. The sharpest prediction: accumulated contradictory evidence should have a structural path to updating a centrality-protected dominant interpretation through multi-cycle buffer pressure accumulation, a failure mode no existing benchmark captures. The safety story at the single-agent level is partial, and the paper is explicit about what it does and does not solve.
Abstract（参考訳）: Retrieval-Augmented Generationは、LLMに永続的なメモリを与える主要なパターンだが、2026年4月に個人的なwikiスタイルのメモリアーキテクチャの可視クラスタが出現した。それらは、主要研究所が1年以上にわたって出荷してきたプロダクションメモリシステムと並んで、MemGPT、Generative Agents、Mem0、Zep、A-Mem、MemMachine、SleepGate、Second Meなど、活発な学術系譜に並んでいる。 LLM wiki パターン上に構築された単一ユーザ知識 wiki でユーザ結合ドリフトによるユーザ結合ドリフト下での、特定の障害モードにおける、規範的義務のセット、時間構成の手続き規則、テスト可能な適合不変量という、コンセンサス固有のガバナンスプロファイルを提案する。個人的なLLMメモリは、ユーザを操作上の次元(語彙、負荷を伴う構造、コンテキストの連続性)に反映し、てんかんの障害モードを補う(強化、矛盾する証拠の抑制、クンニアン骨化)。 5つのオペレーション – TRIAGE, DECAY, CONTEXTUALIZE, CONSOLIDATE, AUDIT – は,メモリ重力とマイノリティ・ヒポテシスの保持によってサポートされている。最も鋭い予測:蓄積された矛盾する証拠は、マルチサイクルバッファ圧力蓄積による中心性保護された支配的解釈を更新するための構造的経路を持つべきである。シングルエージェントレベルでの安全ストーリーは部分的であり、論文はそれが何をするかを明確にし、解決しない。

関連論文リスト

MemCollab: Cross-Agent Memory Collaboration via Contrastive Trajectory Distillation [16.57908722474221]
大規模言語モデル(LLM)ベースのエージェントは、過去の問題解決経験から知識を再利用するためのメモリメカニズムに依存している。既存のアプローチは、通常、エージェントごとの方法でメモリを構築し、格納された知識を単一のモデルの推論スタイルに密結合する。その結果,エージェント間でのメモリ転送は,タスク関連知識をエージェント固有のバイアスと結び付けるなど,パフォーマンスを低下させることがわかった。我々は,同一タスク上で異なるエージェントが生成する軌道の推論を対比することにより,エージェント非依存メモリを構成する協調メモリフレームワークであるMemCollabを提案する。
論文参考訳（メタデータ） (2026-03-24T14:05:47Z)
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)
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)
Agentic Learner with Grow-and-Refine Multimodal Semantic Memory [50.81667005063605]
ViLoMemは、コンパクトなスキーマベースのメモリを構築するデュアルストリームメモリフレームワークである。視覚的障害パターンと論理的推論エラーを符号化し、MLLMが成功し失敗した経験から学ぶことを可能にする。
論文参考訳（メタデータ） (2025-11-26T18:55:08Z)
CAM: A Constructivist View of Agentic Memory for LLM-Based Reading Comprehension [55.29309306566238]
現在のLarge Language Models (LLM) は、長文文書を解釈する際に圧倒的な情報量に直面している。この課題は、バニラLSMを自律的な読み出しエージェントに高めることができる凝集性メモリモジュールの必須性を高める。我々はジャン・ピアジェの構成主義理論(Constructivist Theory)からインスピレーションを得て、エージェントメモリの3つの特性(構造化スキーマ、フレキシブルな同化、動的調節)を表現した。
論文参考訳（メタデータ） (2025-10-07T02:16:30Z)
MemOS: A Memory OS for AI System [116.87568350346537]
大規模言語モデル(LLM)は、人工知能(AGI)にとって不可欠な基盤となっている。既存のモデルは、主に静的パラメータと短命なコンテキスト状態に依存しており、ユーザの好みを追跡したり、長い期間にわたって知識を更新する能力を制限する。 MemOSはメモリを管理可能なシステムリソースとして扱うメモリオペレーティングシステムである。
論文参考訳（メタデータ） (2025-07-04T17:21:46Z)
Hierarchical Memory Organization for Wikipedia Generation [41.60777339440196]
本稿では,ウィキペディア記事を自動生成するメモリ・オーガナイゼーション・ベース・ジェネレーション(MOG)フレームワークを紹介する。 MOGは、Webドキュメントからきめ細かいメモリ単位を抽出し、それらをウィキペディアスタイルの階層構造に整理し、この構造を用いて生成プロセスを導く。新たに作成したWikiStartデータセットの評価から,MOGは情報的かつ信頼性の高い記事を生成する上で,ベースライン手法よりも優れていることが示された。
論文参考訳（メタデータ） (2025-06-29T20:22:49Z)
MemOS: An Operating System for Memory-Augmented Generation (MAG) in Large Language Models [31.944531660401722]
我々は,大規模言語モデル(LLM)用に設計されたメモリオペレーティングシステムであるMemOSを紹介する。コアとなるMemCubeは、異種メモリの追跡、融合、マイグレーションを可能にする標準化されたメモリ抽象化である。 MemOSは、強力な制御性、適応性、進化性を備えたメモリ中心の実行フレームワークを確立する。
論文参考訳（メタデータ） (2025-05-28T08:27:12Z)

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。