論文の概要: Prism: An Evolutionary Memory Substrate for Multi-Agent Open-Ended Discovery

• arxiv url: http://arxiv.org/abs/2604.19795v1
• Date: Wed, 08 Apr 2026 09:16:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:14.087918
• Title: Prism: An Evolutionary Memory Substrate for Multi-Agent Open-Ended Discovery
• Title（参考訳）: Prism: マルチエージェントなオープンエンデッドディスカバリのための進化的メモリ基板
• Authors: Suyash Mishra,
• Abstract要約: 我々は,マルチエージェントAIシステムのための進化的メモリ基板であるPrism(textbfProbabilistic replicatextbfRetrieval with textbfInformation-textbfStratified textbfMemory)を紹介する。 prismは、階層化されたファイルベースの永続性、ベクトル拡張セマンティックメモリ、グラフ構造化リレーショナルメモリ、マルチエージェント進化探索という、独立して開発された4つのパラダイムを統一する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce \prism{} (\textbf{P}robabilistic \textbf{R}etrieval with \textbf{I}nformation-\textbf{S}tratified \textbf{M}emory), an evolutionary memory substrate for multi-agent AI systems engaged in open-ended discovery. \prism{} unifies four independently developed paradigms -- layered file-based persistence, vector-augmented semantic memory, graph-structured relational memory, and multi-agent evolutionary search -- under a single decision-theoretic framework with eight interconnected subsystems. We make five contributions: (1)~an \emph{entropy-gated stratification} mechanism that assigns memories to a tri-partite hub (skills/notes/attempts) based on Shannon information content, with formal context-window utilization bounds; (2)~a \emph{causal memory graph} $\mathcal{G} = (V, E_r, E_c)$ with interventional edges and agent-attributed provenance; (3)~a \emph{Value-of-Information retrieval} policy with self-evolving strategy selection; (4)~a \emph{heartbeat-driven consolidation} controller with stagnation detection via optimal stopping theory; and (5)~a \emph{replicator-decay dynamics} framework that interprets memory confidence as evolutionary fitness, proving convergence to an Evolutionary Stable Memory Set (ESMS). On the LOCOMO benchmark, \prism{} achieves 88.1 LLM-as-a-Judge score (31.2\% over Mem0). On CORAL-style evolutionary optimization tasks, 4-agent \prism{} achieves 2.8$\times$ higher improvement rate than single-agent baselines.%
• Abstract（参考訳）: オープンな発見を行うマルチエージェントAIシステムのための進化記憶基板である \prism{} (\textbf{P}robabilistic \textbf{R}etrieval with \textbf{I}nformation-\textbf{S}tratified \textbf{M}emory を紹介する。 \prism{}は、階層化されたファイルベースの永続性、ベクトル拡張セマンティックメモリ、グラフ構造化リレーショナルメモリ、マルチエージェント進化探索という4つの独立したパラダイムを、8つの相互接続サブシステムを持つ単一の決定論的フレームワークで統合する。 筆者らは,(1)-an \emph{entropy-gated stratification} 機構を,シャノン情報量に基づく三部構成のハブ(スキル/ノート/回避)にメモリを割り当てる機構,(2)-a \emph{causal memory graph} $\mathcal{G} = (V, E_r, E_c)$ 介入エッジとエージェント依存の出所を持つ,(3)-a \emph{Value-of-information search} ポリシを自己進化戦略選択で,(4)-a \emph{heartbeat-driven consolidation} コントローラを,最適な停止理論によるスタミネーションで検出する,(5)-a \emph{heartbeat-driven consolidation} コントローラを, (5)-a \emph{plicator-causal memory graph} フレームワークを動的に解釈することで,メモリの進化を予測できる,という5つの提案を行った。 LOCOMOベンチマークでは、 \prism{} は88.1 LLM-as-a-Judge スコア (31.2\% over Mem0) を達成する。 コーラル式進化最適化タスクでは、4-エージェント \prism{} はシングルエージェントベースラインよりも2.8$\times$高い改善率を達成する。 %であった。

関連論文リスト

• GAAMA: Graph Augmented Associative Memory for Agents [0.0]
  GAAMAは、概念を介する階層的知識グラフを構成するグラフ拡張連想記憶システムである。 LoCoMo-10ベンチマーク(10のマルチセッション会話で1,540の質問)では、GAAMAは78.9%の平均報酬を獲得し、調整されたRAGベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-03-29T23:33:38Z)
• SuperLocalMemory V3: Information-Geometric Foundations for Zero-LLM Enterprise Agent Memory [0.0]
  永続メモリはAIエージェントの中心的な能力である。 現在のシステムでは、検索にはコサイン類似性、塩分分解にはコサイン類似性を使用し、公式な矛盾検出は行わない。 我々は3つのコントリビューションを通じて情報幾何学の基礎を確立する。
  論文  参考訳（メタデータ） (2026-03-15T20:20:54Z)
• 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)
• OMG-Agent: Toward Robust Missing Modality Generation with Decoupled Coarse-to-Fine Agentic Workflows [9.617220633655716]
  textbfunderlineOmni-textbfunderlineModality textbfunderlineGeneration Agent (textbfOMG-Agent)について述べる。
  論文  参考訳（メタデータ） (2026-02-04T02:25:40Z)
• MemRec: Collaborative Memory-Augmented Agentic Recommender System [57.548438733740504]
  我々はメモリ管理から推論をアーキテクチャ的に分離するフレームワークであるMemRecを提案する。 MemRecは動的コラボレーティブメモリグラフを管理する専用のLM_Memを導入した。 4つのベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-01-13T18:51:16Z)
• SCOPE: Prompt Evolution for Enhancing Agent Effectiveness [53.75986399936395]
  大規模言語モデル(LLM)エージェントは、大規模で動的なコンテキストを生成する環境にますますデプロイされている。 エージェントはこのコンテキストにアクセスできますが、静的なプロンプトには効果的に管理するメカニズムがありません。 textbfSCOPE (Self-evolving Context Optimization via Prompt Evolution) を導入する。 本稿では,戦術的特異性(即時誤りの解消)と戦略的汎用性(長期原則の進化)のバランスをとるデュアルストリーム機構を提案する。
  論文  参考訳（メタデータ） (2025-12-17T12:25:05Z)
• 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)
• MemSearcher: Training LLMs to Reason, Search and Manage Memory via End-to-End Reinforcement Learning [73.27233666920618]
  本稿では,メモリを反復的に保持し,現在のターンと組み合わせたエージェントワークフローであるMemSearcherを提案する。 それぞれのターンで、MemSearcherはユーザーの質問をメモリに融合させ、推論トレースを生成し、検索アクションを実行し、メモリを更新してタスクの解決に必要な情報のみを保持する。 我々は,MemSearcher Agents の推論,検索戦略,メモリ管理を協調的に最適化する,エンドツーエンドの RL フレームワークである Multi-context GRPO を紹介する。
  論文  参考訳（メタデータ） (2025-11-04T18:27:39Z)
• 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)
• G-Memory: Tracing Hierarchical Memory for Multi-Agent Systems [44.844636264484905]
  大規模言語モデル (LLM) を利用したマルチエージェントシステム (MAS) は、単一のLLMエージェントよりもはるかに高い認知と実行能力を示している。 組織記憶理論に触発されたMASのための階層型エージェントメモリシステムG-Memoryを紹介する。 Gメモリは、インボディードアクションの成功率と知識QAの精度を、それぞれ20.89%$と10.12%$で改善する。
  論文  参考訳（メタデータ） (2025-06-09T03:43:46Z)

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。