論文の概要: Memory Transfer Learning: How Memories are Transferred Across Domains in Coding Agents

• arxiv url: http://arxiv.org/abs/2604.14004v1
• Date: Wed, 15 Apr 2026 15:50:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.616891
• Title: Memory Transfer Learning: How Memories are Transferred Across Domains in Coding Agents
• Title（参考訳）: メモリ転送学習 : コーディングエージェントにおけるドメイン間のメモリ転送方法
• Authors: Kangsan Kim, Minki Kang, Taeil Kim, Yanlai Yang, Mengye Ren, Sung Ju Hwang,
• Abstract要約: メモリベースの自己進化は、コーディングエージェントにとって有望なパラダイムとして登場した。 ヘテロジニアスドメインからの統一メモリプールを利用して、textbfMemory Transfer Learning (MTL) について検討する。
• 参考スコア（独自算出の注目度）: 56.078070829341534
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Memory-based self-evolution has emerged as a promising paradigm for coding agents. However, existing approaches typically restrict memory utilization to homogeneous task domains, failing to leverage the shared infrastructural foundations, such as runtime environments and programming languages, that exist across diverse real-world coding problems. To address this limitation, we investigate \textbf{Memory Transfer Learning} (MTL) by harnessing a unified memory pool from heterogeneous domains. We evaluate performance across 6 coding benchmarks using four memory representations, ranging from concrete traces to abstract insights. Our experiments demonstrate that cross-domain memory improves average performance by 3.7\%, primarily by transferring meta-knowledge, such as validation routines, rather than task-specific code. Importantly, we find that abstraction dictates transferability; high-level insights generalize well, whereas low-level traces often induce negative transfer due to excessive specificity. Furthermore, we show that transfer effectiveness scales with the size of the memory pool, and memory can be transferred even between different models. Our work establishes empirical design principles for expanding memory utilization beyond single-domain silos. Project page: https://memorytransfer.github.io/
• Abstract（参考訳）: メモリベースの自己進化は、コーディングエージェントにとって有望なパラダイムとして登場した。 しかし、既存のアプローチは一般にメモリ利用を均質なタスクドメインに制限し、実行環境やプログラミング言語のような様々な現実世界のコーディング問題にまたがる共有のインフラ基盤を活用できない。 この制限に対処するために、ヘテロジニアスドメインからの統一メモリプールを利用することで、 \textbf{Memory Transfer Learning} (MTL) について検討する。 具体的トレースから抽象的な洞察まで,4つのメモリ表現を用いて,6つのコーディングベンチマークのパフォーマンスを評価する。 本実験では,タスク固有のコードではなく,検証ルーチンなどのメタ知識を転送することで,ドメイン間メモリの平均性能が3.7 %向上することが実証された。 重要なことは、抽象化は転送可能性を規定し、高レベルの洞察はうまく一般化するのに対して、低レベルのトレースは過度な特異性のために負の転送を引き起こすことが多い。 さらに,転送効率はメモリプールのサイズに応じてスケールし,異なるモデル間でもメモリを転送可能であることを示す。 我々の研究は、単一ドメインサイロを超えてメモリ利用を拡大するための経験的設計原則を確立している。 プロジェクトページ: https://memorytransfer.github.io/

関連論文リスト

• M$^\star$: Every Task Deserves Its Own Memory Harness [28.900347612231513]
  大規模言語モデルエージェントは、拡張された相互作用の間、知識を蓄積し再利用するために、特別なメモリシステムに依存している。 最近のアーキテクチャでは、会話のセマンティック検索やコーディングに再利用されたスキルなど、特定のドメインに適した固定メモリ設計を採用するのが一般的である。 プログラムの進化を通じてタスク最適化メモリハーネスを自動的に検出する手法であるM$star$を紹介する。
  論文  参考訳（メタデータ） (2026-04-10T03:22:26Z)
• 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)
• 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)
• 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)
• 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)
• Multiple Memory Systems for Enhancing the Long-term Memory of Agent [9.43633399280987]
  MemoryBankやA-MEMといった既存の手法は、記憶されているメモリの質が劣っている。 我々は認知心理学理論にインスパイアされた多重記憶システムを設計した。
  論文  参考訳（メタデータ） (2025-08-21T06:29:42Z)
• 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)
• Memory-Guided Semantic Learning Network for Temporal Sentence Grounding [55.31041933103645]
  本稿では,TSGタスクにおいて稀に出現しないコンテンツを学習し,記憶するメモリ拡張ネットワークを提案する。 MGSL-Netは、クロスモーダル・インターアクション・モジュール、メモリ拡張モジュール、異種アテンション・モジュールの3つの主要な部分で構成されている。
  論文  参考訳（メタデータ） (2022-01-03T02:32:06Z)
• Memorizing Comprehensively to Learn Adaptively: Unsupervised Cross-Domain Person Re-ID with Multi-level Memory [89.43986007948772]
  対象領域における多レベル補完情報を発見するための新しいマルチレベルメモリネットワーク(MMN)を提案する。 従来の単純なメモリとは違って、ターゲット領域内の複数レベル補完情報を検出するための新しいマルチレベルメモリネットワーク(MMN)を提案する。
  論文  参考訳（メタデータ） (2020-01-13T09:48:03Z)

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。