論文の概要: StageMem: Lifecycle-Managed Memory for Language Models

• arxiv url: http://arxiv.org/abs/2604.16774v1
• Date: Sat, 18 Apr 2026 01:38:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.166666
• Title: StageMem: Lifecycle-Managed Memory for Language Models
• Title（参考訳）: StageMem: 言語モデルのためのライフサイクル管理メモリ
• Abstract要約: ロングホライゾン言語モデルシステムは、永続記憶にますます依存している。 現在のデザインは、メモリを主に静的ストアとして扱う。 ライフサイクル管理型メモリフレームワークであるStageMemを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-horizon language model systems increasingly rely on persistent memory, yet many current designs still treat memory primarily as a static store: write an item, place it into memory, and retrieve it later if needed. We argue that this framing does not adequately capture the practical memory-control problem in deployed LLM systems. In realistic settings, the difficulty is often not merely forgetting useful information, but retaining too many uncertain items, forgetting important content in the wrong order, and giving users little trust in what will persist over time. We propose StageMem, a lifecycle-managed memory framework that treats memory as a stateful process rather than a passive repository. StageMem organizes memory into three stages -- transient, working, and durable memory -- and models each item with explicit confidence and strength. This separates shallow admission from long-term commitment: information may first be written at low cost and only later be promoted, retained, updated, or evicted as evidence and pressure evolve. Under controlled pressure regimes, this decomposition helps preserve late-important content while keeping memory burden and deeper-tier pollution more controlled. Adapted external tasks provide boundary evidence that the same schema remains compatible with stronger retrieval structure outside pure synthetic control. We present StageMem as a principled decomposition of the memory-control problem for language model systems.
• Abstract（参考訳）: ロングホライゾン言語モデルシステムは、永続的なメモリにますます依存しているが、現在の多くの設計では、アイテムを書き、それをメモリに配置し、必要に応じて後で取り出すという、主に静的ストアとしてメモリを扱う。 我々は,このフレーミングが,LLMシステムにおける実用的なメモリ制御問題を適切に捉えていないことを論じる。 現実的な環境では、有用な情報を忘れるだけでなく、不確実な項目が多すぎること、重要なコンテンツを間違った順序で忘れること、ユーザが時間の経過とともに何に留まるかをほとんど信用できないことなどが難しい。 本稿では,メモリを受動的リポジトリではなくステートフルなプロセスとして扱うライフサイクル管理型メモリフレームワークであるStageMemを提案する。 StageMemは、メモリをトランジェント、動作、耐久性の3つのステージに編成し、各アイテムを明確な自信と強さでモデル化する。 情報は最初は低コストで書かれ、後に証拠と圧力が進化するにつれて促進され、維持され、更新され、または排除される。 制御された圧力体制の下では、この分解は、記憶負荷とより深い層汚染をより制御しながら、遅延重要な内容を保存するのに役立ちます。 適応された外部タスクは、同じスキーマが純粋な合成制御以外のより強力な検索構造と相容れないという境界証拠を提供する。 本稿では,言語モデルシステムにおけるメモリ制御問題の原理的分解としてStageMemを提案する。

関連論文リスト

• FocusMem: Factorizing Content, Readout, and Trust in Latent GUI Memory [13.853612752899442]
  コンパクトな潜在メモリインタフェース内での責務を分離するFocusMemを紹介する。 ロールアウェアコンテンツベースは、タスクの進捗を維持するために、エピソードメモリが再利用可能なエクスペリエンスと作業メモリを維持することを奨励する。 状態条件付き読み出しは、同じ記憶されたエビデンスの決定固有のビューを生成し、一方、軽量な信頼ゲートは、現在のステップとは無関係に見えるメモリブロックを抑えることができる。
  論文  参考訳（メタデータ） (2026-08-05T07:02:30Z)
• LeanMem: Simple and Efficient Long-Term Memory for LLM Agents [21.43772050088654]
  軽量な長期記憶フレームワークであるLeanMemを提案する。 推論中、LeanMemは動的にメモリタイプを選択し、クエリ固有のエビデンス要求に従って検索予算を割り当てる。 GPT-4.1-miniとQwen3-8BのLoCoMoとLongMemEval-Sでは、LeanMemは全ての設定において最強のメモリベースベースラインよりも精度を向上させる。
  論文  参考訳（メタデータ） (2026-08-04T10:59:49Z)
• Memory as a Controlled Process: Learned Adaptive Memory Management for LLM Agents [72.3752981234916]
  大きな言語モデル(LLM)エージェントは、タスク間の経験を蓄積するために、外部メモリシステムに依存している。 メモリ操作をマルコフ決定プロセスとしてモデル化するフレームワークである制御プロセス(MemCon)としてメモリを提示する。 MemConは、複数のメモリベースラインのタスク成功率を最大15.2ポイント上回り、トークン消費量を5-20%削減している。
  論文  参考訳（メタデータ） (2026-07-15T08:32:40Z)
• AdMem: Advanced Memory for Task-solving Agents [13.611633561917513]
  大規模言語モデル(LLM)はツール使用エージェントとしての約束を示すが、知識の記憶、整理、再利用を必要とする長期的タスクには制限がある。 本稿では,短期記憶と長期記憶を組み合わせた2段階設計において,セマンティック,エピソード,手続き記憶を統合した統合的・自動記憶フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-05T00:11:57Z)
• WorldMemArena: Evaluating Multimodal Agent Memory Through Action-World Interaction [72.1620416874118]
  マルチモーダルな言語モデルは、長距離エージェントとしてますます多くデプロイされている。 既存のベンチマークは、静的対話上のリコールを測定し、メモリを1つのタスクの精度に分解し、キャプションに対する視覚的な観察を減らす。 マルチモーダルエージェントメモリを,観測可能な4段階ライフサイクルを持つアクションワールドインタラクションループとして定式化する。
  論文  参考訳（メタデータ） (2026-05-28T04:27:20Z)
• MemGuard: Preventing Memory Contamination in Long-Term Memory-Augmented Large Language Models [56.31411457917676]
  本稿では,メモリ構築と検索において,機能的メモリ境界を保存するタイプアウェアメモリフレームワークであるMemGuardを紹介する。 幻覚と長期会話のベンチマーク全体で、MemGuardはメモリの信頼性を最大28.27%向上し、メモリトークンは以前の方法より5.8倍少ない。
  論文  参考訳（メタデータ） (2026-05-27T06:04:19Z)
• Personalize-then-Store: Benchmarking and Learning Personalized Memory for Long-horizon Agents [20.22872890297194]
  既存の大規模言語モデル(LLM)ベースのメモリシステムは、基本的な現実を覆い隠す、普遍的で静的なポリシーを適用している。 パーソナライズされたメモリシステムを評価するための最初のベンチマークであるPerMemBenchを紹介する。 本稿では,過渡セッションのメモリ操作を選択的にバイパスする軽量フレームワークであるセッションレベルのストレージゲーティングを提案する。
  論文  参考訳（メタデータ） (2026-05-25T07:48:33Z)
• Memory as Ontology: A Constitutional Memory Architecture for Persistent Digital Citizens [1.827510863075184]
  AIエージェントメモリシステムにおける現在の研究と製品開発は、ほとんど普遍的に、メモリを機能モジュールとして扱う。 本稿では,メモリ・アズ・オントロジーのパラダイムを提案する。
  論文  参考訳（メタデータ） (2026-03-05T02:24:10Z)
• Memory Retention Is Not Enough to Master Memory Tasks in Reinforcement Learning [44.94110361062394]
  実世界の意思決定は、安定かつ適応性のあるメモリに依存する。 既存の強化学習ベンチマークとメモリ拡張エージェントは、主に保持に焦点を当てている。 部分的な可観測性の下で連続的なメモリ更新を明示的にテストするベンチマークを導入する。
  論文  参考訳（メタデータ） (2026-01-21T15:27:23Z)
• HiMem: Hierarchical Long-Term Memory for LLM Long-Horizon Agents [3.9396865837159822]
  HiMemは、長距離対話のための階層的長期記憶フレームワークである。 メモリ構築、検索、持続的なインタラクション中の動的更新をサポートする。 その結果、HiMemは、精度、一貫性、長期的な推論において、代表的ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-01-10T01:26:01Z)
• 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)
• 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)
• 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)
• SCM: Enhancing Large Language Model with Self-Controlled Memory Framework [54.33686574304374]
  大きな言語モデル(LLM)は、長い入力を処理できないため、重要な歴史的情報が失われる。 本稿では,LLMが長期記憶を維持し,関連する情報をリコールする能力を高めるための自己制御メモリ(SCM)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-26T07:25:31Z)

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。