論文の概要: Continual Knowledge Updating in LLM Systems: Learning Through Multi-Timescale Memory Dynamics

• arxiv url: http://arxiv.org/abs/2605.05097v2
• Date: Thu, 07 May 2026 10:27:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 17:36:06.250933
• Title: Continual Knowledge Updating in LLM Systems: Learning Through Multi-Timescale Memory Dynamics
• Title（参考訳）: LLMシステムにおける連続的知識更新:マルチタイムメモリダイナミクスによる学習
• Authors: Andreas Pattichis, Constantine Dovrolis,
• Abstract要約: 我々は、外部記憶は生物学的記憶と同様の原理に従うべきだと主張している。 Meminiでは、この見解は、知識を有向グラフとして整理する連想記憶の形を取る。
• 参考スコア（独自算出の注目度）: 5.113513399537608
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLMs are trained once, then deployed into a world that never stops changing. External memory compensates for this, but most systems manage it explicitly rather than letting it adapt on its own. Biological memory works differently: coupled multi-timescale dynamics make new associations immediately usable, strengthen what repetition confirms, and let the rest fade. We argue that external memory should follow a similar principle. In Memini, this view takes the form of an associative memory that organizes knowledge as a directed graph. Each edge carries two coupled internal variables, one fast and one slow, following the Benna-Fusi model of synaptic consolidation. From this coupling, episodic sensitivity, gradual consolidation, and selective forgetting emerge as facets of a single mechanism, reframing external memory as a learning substrate that reorganizes through its own dynamics.
• Abstract（参考訳）: LLMは一度トレーニングされた後、決して変化を止めることのない世界に展開される。 外部メモリはこの処理を補うが、ほとんどのシステムは自分で適応させるのではなく、明示的に管理する。 結合されたマルチタイムスケールのダイナミクスは、新しいアソシエーションを即座に利用し、繰り返しが確認するものを強化し、残りをフェードさせる。 外部メモリも同様の原則に従うべきだと我々は主張する。 Meminiでは、この見解は、知識を有向グラフとして整理する連想記憶の形を取る。 それぞれのエッジは2つの結合した内部変数を持ち、1つは高速で1つは遅い。 この結合から、エピソードの感度、漸進的な統合、選択的な忘れは単一のメカニズムのファセットとして現れ、外部記憶を自身のダイナミクスを通じて再編成する学習基板として再フレーミングする。

関連論文リスト

• HeLa-Mem: Hebbian Learning and Associative Memory for LLM Agents [8.86975756125001]
  HeLa-Memは、バイオインスパイアされたメモリアーキテクチャで、Hebbianの学習力学を用いた動的グラフとしてメモリをモデル化する。 HeLa-Memは、(1)コアクティベーションパターンを通じて進化するエピソードメモリグラフ、(2)Hebbian Distillationを介して蓄積されるセマンティックメモリストアである。 LoCoMoの実験では、コンテキストトークンをはるかに少なく使用しながら、4つの質問カテゴリで優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-18T05:11:18Z)
• Social Hippocampus Memory Learning [54.381608978482184]
  SoHipはメモリ中心のソーシャル機械学習フレームワークだ。 モデル共有ではなく、メモリ共有を通じて異種エージェント間の協調を可能にする。 7つのベースラインを持つ2つのベンチマークデータセットの実験は、SoHipが既存のメソッドを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-03-26T16:31:00Z)
• The AI Hippocampus: How Far are We From Human Memory? [77.04745635827278]
  インプリシットメモリは、事前訓練されたトランスフォーマーの内部パラメータに埋め込まれた知識を指す。 明示メモリは、動的でクエリ可能な知識表現でモデル出力を増大させるように設計された外部ストレージと検索コンポーネントを含んでいる。 エージェントメモリは、自律エージェント内に永続的、時間的に拡張されたメモリ構造を導入する。
  論文  参考訳（メタデータ） (2026-01-14T03:24:08Z)
• MemVerse: Multimodal Memory for Lifelong Learning Agents [35.218549149012844]
  我々は,モデルに依存しないプラグアンドプレイメモリフレームワークであるMemVerseを紹介した。 MemVerseは階層的検索ベースのメモリで高速パラメトリックリコールを行う。 スケーラブルで適応的なマルチモーダルインテリジェンスを実現する。
  論文  参考訳（メタデータ） (2025-12-03T10:06:14Z)
• 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)
• MemGen: Weaving Generative Latent Memory for Self-Evolving Agents [57.1835920227202]
  本稿では,エージェントに人間的な認知機能を持たせる動的生成記憶フレームワークであるMemGenを提案する。 MemGenは、エージェントが推論を通して潜在記憶をリコールし、増大させ、記憶と認知の密接なサイクルを生み出すことを可能にする。
  論文  参考訳（メタデータ） (2025-09-29T12:33:13Z)
• Memorization and Knowledge Injection in Gated LLMs [8.305942415868042]
  大規模言語モデル(LLM)は、現在、シーケンシャルに新しい記憶を追加し、新しい知識を統合するのに苦労している。 Gated LLM (MEGa) に埋め込まれたメモリは、イベントメモリを直接 LLM の重みに注入する。 推論中、ゲーティング機構は、クエリの埋め込みとストアドメモリの埋め込みとをマッチングすることで、関連するメモリ重みを活性化する。
  論文  参考訳（メタデータ） (2025-04-30T00:28:32Z)
• Energy-based General Sequential Episodic Memory Networks at the Adiabatic Limit [3.5450828190071655]
  GSEMM(General Sequential Episodic Memory Models)を新たに導入する。 動的エネルギー面は、ネットワークの隠された層に信号の伝搬遅延を伴う新しい非対称なシナプスによって実現される。 DSEMは、ネットワーク内のニューロン数とともに指数関数的に増大する記憶容量を有することを示す。
  論文  参考訳（メタデータ） (2022-12-11T18:09:34Z)
• Self-Attentive Associative Memory [69.40038844695917]
  我々は、個々の体験(記憶)とその発生する関係(関連記憶)の記憶を分離することを提案する。 機械学習タスクの多様性において,提案した2メモリモデルと競合する結果が得られる。
  論文  参考訳（メタデータ） (2020-02-10T03:27:48Z)

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。