論文の概要: FSFM: A Biologically-Inspired Framework for Selective Forgetting of Agent Memory

• arxiv url: http://arxiv.org/abs/2604.20300v2
• Date: Thu, 23 Apr 2026 02:36:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.046746
• Title: FSFM: A Biologically-Inspired Framework for Selective Forgetting of Agent Memory
• Title（参考訳）: FSFM: エージェントメモリ選択のための生物学的に着想を得たフレームワーク
• Authors: Yingjie Gu, Wenjian Xiong, Liqiang Wang, Pengcheng Ren, Chao Li, Xiaojing Zhang, Yijuan Guo, Qi Sun, Jingyao Ma, Shidang Shi,
• Abstract要約: リソース制約のある環境では、よく設計された忘れるメカニズムは、記憶し、3次元にわたって利益をもたらすのと同じくらい重要である。 我々の枠組みは, 受動減衰に基づく, アクティブ削除に基づく, 安全トリガーによる, 適応強化に基づく, 忘れる機構の分類を定めている。 その結果、アクセス効率(+8.49%)、コンテンツ品質(+29.2%)、セキュリティパフォーマンス(100%セキュリティリスクの排除)など、大幅な改善が見られた。
• 参考スコア（独自算出の注目度）: 11.729108742234416
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: For LLM agents, memory management critically impacts efficiency, quality, and security. While much research focuses on retention, selective forgetting--inspired by human cognitive processes (hippocampal indexing/consolidation theory and Ebbinghaus forgetting curve)--remains underexplored. We argue that in resource-constrained environments, a well-designed forgetting mechanism is as crucial as remembering, delivering benefits across three dimensions: (1) efficiency via intelligent memory pruning, (2) quality by dynamically updating outdated preferences and context, and (3) security through active forgetting of malicious inputs, sensitive data, and privacy-compromising content. Our framework establishes a taxonomy of forgetting mechanisms: passive decay-based, active deletion-based, safety-triggered, and adaptive reinforcement-based. Building on advances in LLM agent architectures and vector databases, we present detailed specifications, implementation strategies, and empirical validation from controlled experiments. Results show significant improvements: access efficiency (+8.49%), content quality (+29.2% signal-to-noise ratio), and security performance (100% elimination of security risks). Our work bridges cognitive neuroscience and AI systems, offering practical solutions for real-world deployment while addressing ethical and regulatory compliance. The paper concludes with challenges and future directions, establishing selective forgetting as a fundamental capability for next-generation LLM agents operating in real-world, resource-constrained scenarios. Our contributions align with AI-native memory systems and responsible AI development.
• Abstract（参考訳）: LLMエージェントの場合、メモリ管理は効率、品質、セキュリティに重大な影響を与える。 多くの研究が保持に焦点を当てている一方で、人間の認知過程(海馬の索引付け/統合理論とエビングハウスの忘れ曲線)にインスパイアされた選択的忘れ物は未発見のまま残されている。 資源制約のある環境では,(1)知的メモリプルーニングによる効率性,(2)時代遅れの嗜好や文脈を動的に更新する品質,(3)悪意のある入力や機密データ,プライバシーを補完するコンテンツを積極的に忘れることによるセキュリティという,3つの次元にまたがるメリットを記憶する上で,よく設計された忘れるメカニズムが不可欠である,と我々は主張する。 我々の枠組みは, 受動減衰に基づく, アクティブ削除に基づく, 安全トリガーによる, 適応強化に基づく, 忘れる機構の分類を定めている。 LLMエージェントアーキテクチャとベクトルデータベースの進歩に基づいて、制御された実験から詳細な仕様、実装戦略、実証検証を提示する。 その結果、アクセス効率(+8.49%)、コンテンツ品質(+29.2%)、セキュリティ性能(100%セキュリティリスクの排除)など、大幅な改善がなされた。 私たちの仕事は認知神経科学とAIシステムを橋渡しし、倫理的および規制的なコンプライアンスに対処しながら、現実のデプロイメントに実用的なソリューションを提供します。 本論文は,現実の資源制約のあるシナリオで運用する次世代LLMエージェントの基本的な能力として,選択的な忘れ方を確立し,課題と今後の方向性を結論付けている。 私たちのコントリビューションは、AIネイティブメモリシステムと責任あるAI開発と連携しています。

関連論文リスト

• DeFRiS: Silo-Cooperative IoT Applications Scheduling via Decentralized Federated Reinforcement Learning [62.347535250646196]
  本稿では、ロバストでスケーラブルなシロコラボ型IoTアプリケーションスケジューリングのための分散フェデレーション強化学習フレームワークであるDeFRiSを提案する。 DeFRiSは、(i)異種サイロ間のシームレスな知識伝達を可能にするための候補資源スコアを利用したアクション空間非依存ポリシー、(ii)汎用アドバンテージ推定とクリッピングされたポリシー更新を組み合わせたサイロ最適化ローカル学習メカニズム、(iii)類似性認識の知識伝達と異常検出に勾配指紋を利用するDual-Track Non-IIDロバストな分散集約プロトコル、の3つのイノベーションを統合する。
  論文  参考訳（メタデータ） (2026-03-16T02:02:38Z)
• FAMOSE: A ReAct Approach to Automated Feature Discovery [4.979045992768399]
  FAMOSEは、自律的に機能を探索し、生成し、洗練するエージェント型ReActフレームワークである。 RMSEを平均で2.0%削減し、他のアルゴリズムよりもエラーに対して堅牢なままにすることで、回帰タスクの最先端を実現する。 我々の研究は、AIエージェントが高度に発明されたソリューションを必要とする問題を解決するのに極めて効果的であることを示す。
  論文  参考訳（メタデータ） (2026-02-19T18:53:15Z)
• Forgetful but Faithful: A Cognitive Memory Architecture and Benchmark for Privacy-Aware Generative Agents [2.28438857884398]
  本稿では、生成エージェントにおける人中心記憶管理のための新しいフレームワークであるメモリ・アウェア・リテンション(MaRS)を紹介する。 本稿では,物語コヒーレンス,目標達成,社会的リコール精度,プライバシ保護,コスト効率など,エージェントのパフォーマンスを評価する総合評価フレームワークであるForgetful but Faithful Agent(FiFA)ベンチマークを提案する。 本研究は、メモリ予算エージェント評価のための新しいベンチマークを確立し、資源制約されたプライバシに敏感な環境に生成エージェントを配置するための実践的ガイドラインを提供する。
  論文  参考訳（メタデータ） (2025-12-14T21:40:07Z)
• Agentic AI Reasoning for Mobile Edge General Intelligence: Fundamentals, Approaches, and Directions [74.35421055079655]
  大規模言語モデル(LLM)は、強力な推論と自律的な意思決定能力を備えたエージェント人工知能(AI)の出現を可能にした。 Mobile Edge General Intelligence (MEGI)は、リアルタイムでプライバシ保護の推論をネットワークエッジにもたらす。 本稿では,MEGIにおけるLLM推論の効率的な展開のための共同最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-27T10:53:48Z)
• A Survey on Autonomy-Induced Security Risks in Large Model-Based Agents [45.53643260046778]
  大規模言語モデル(LLM)の最近の進歩は、自律型AIエージェントの台頭を触媒している。 これらの大きなモデルエージェントは、静的推論システムからインタラクティブなメモリ拡張エンティティへのパラダイムシフトを示す。
  論文  参考訳（メタデータ） (2025-06-30T13:34:34Z)
• Information Retrieval Induced Safety Degradation in AI Agents [52.15553901577888]
  本研究では,検索アクセスの拡大がモデル信頼性,バイアス伝搬,有害コンテンツ生成に与える影響について検討した。 整列 LLM 上に構築された検索可能なエージェントは、検索なしでの無検閲モデルよりも安全でない振る舞いをすることが多い。 これらの発見は、検索可能でますます自律的なAIシステムの公正性と信頼性を確保するための堅牢な緩和戦略の必要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-05-20T11:21:40Z)
• The Dual-use Dilemma in LLMs: Do Empowering Ethical Capacities Make a Degraded Utility? [54.18519360412294]
  大きな言語モデル(LLM)は、安全のための有害な要求を拒否することと、ユーティリティのための正当な要求を収容することのバランスをとる必要がある。 本稿では,DPO(Direct Preference Optimization)に基づくアライメントフレームワークを提案する。 我々は,DeepSeek-R1をベンチマークでテストした結果を解析し,この高い評価を得たモデルがもたらす批判的倫理的懸念を明らかにする。
  論文  参考訳（メタデータ） (2025-01-20T06:35:01Z)
• LENS-XAI: Redefining Lightweight and Explainable Network Security through Knowledge Distillation and Variational Autoencoders for Scalable Intrusion Detection in Cybersecurity [0.0]
  本研究は軽量説明可能ネットワークセキュリティフレームワーク(LENS-XAI)を紹介する。 LENS-XAIは、堅牢な侵入検知と、拡張された解釈可能性とスケーラビリティを組み合わせる。 本研究は, 計算効率, 特徴解釈可能性, 実世界の応用性に対処することで, IDSの進歩に大きく貢献する。
  論文  参考訳（メタデータ） (2025-01-01T10:00:49Z)
• EARBench: Towards Evaluating Physical Risk Awareness for Task Planning of Foundation Model-based Embodied AI Agents [53.717918131568936]
  EAI(Embodied AI)は、高度なAIモデルを現実世界のインタラクションのための物理的なエンティティに統合する。 高レベルのタスク計画のためのEAIエージェントの"脳"としてのファンデーションモデルは、有望な結果を示している。 しかし、これらのエージェントの物理的環境への展開は、重大な安全性上の課題を呈している。 本研究では,EAIシナリオにおける身体的リスクの自動評価のための新しいフレームワークEARBenchを紹介する。
  論文  参考訳（メタデータ） (2024-08-08T13:19:37Z)

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。