論文の概要: Remember the Decision, Not the Description: A Rate-Distortion Framework for Agent Memory
- arxiv url: http://arxiv.org/abs/2605.10870v1
- Date: Mon, 11 May 2026 17:20:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:51.02566
- Title: Remember the Decision, Not the Description: A Rate-Distortion Framework for Agent Memory
- Title（参考訳）: 決定を忘れずに - エージェントメモリのためのレート歪みフレームワーク
- Abstract要約: 記憶は、決定にとって重要な区別を、記述ではなく保存すべきであることを示す。
DeMemは,共有状態が決定競合を誘発することを示すデータに対してのみ,分割を洗練させるオンラインメモリ学習システムである。
- 参考スコア（独自算出の注目度）: 120.68750043918249
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Long-horizon language agents must operate under limited runtime memory, yet existing memory mechanisms often organize experience around descriptive criteria such as relevance, salience, or summary quality. For an agent, however, memory is valuable not because it faithfully describes the past, but because it preserves the distinctions between histories that must remain separated under a fixed budget to support good decisions. We cast this as a decision-centric rate-distortion problem, measuring memory quality by the loss in achievable decision quality induced by compression. This yields an exact forgetting boundary for what can be safely forgotten, and a memory-distortion frontier characterizing the optimal tradeoff between memory budget and decision quality. Motivated by this decision-centric view of memory, we propose DeMem, an online memory learner that refines its partition only when data certify that a shared state would induce decision conflict, and prove near-minimax regret guarantees. On both controlled synthetic diagnostics and long-horizon conversational benchmarks, DeMem yields consistent gains under the same runtime budget, supporting the principle that memory should preserve the distinctions that matter for decisions, not descriptions.
- Abstract（参考訳）: ロングホライゾン言語エージェントは、限られたランタイムメモリの下で動作しなければならないが、既存のメモリメカニズムは、関連性、サリエンス、要約品質などの記述的基準に関する経験を整理することが多い。
しかし、エージェントにとって記憶は、過去を忠実に記述しているからではなく、良い決定をサポートするために固定された予算の下で分けなければならない歴史の区別を保っているからである。
我々はこれを、圧縮によって引き起こされる達成可能な決定品質の損失によるメモリ品質の測定という、決定中心の速度歪み問題とみなした。
これにより、安全に忘れられるものを正確に忘れるバウンダリと、メモリ予算と意思決定品質の最適なトレードオフを特徴付けるメモリ歪みフロンティアが得られる。
DeMemは、共有状態が決定競合を誘発し、ほぼ最小限の後悔の保証を証明した場合にのみ、分割を洗練するオンラインメモリ学習ツールである。
制御された合成診断と長期の会話ベンチマークの両方において、DeMemは同じランタイム予算の下で一貫した利得を得る。
関連論文リスト
- Harness the Memory: A Holistic Evaluation of Memory Substrates in Memory Agents [97.19033877543522]
本稿では,メモリ拡張剤のメモリ基板の制御ハーネス評価について述べる。
統一されたハーネスの下で26のパフォーマンスと効率のメトリクスを計測する。
これらの知見は、アダプティブエージェントメモリシステムに必要なコンポーネントとして、基質ルーティングを動機付けている。
論文 参考訳（メタデータ） (2026-08-15T03:29:48Z) - Towards a Formal Definition of Agent Memory: Basis, Span, Optimality, and the Sequential Memory Problem [12.078734827417685]
メモリが何であるか、いつ最適かに関する統一的な公式な説明はない。
中心的な考え方は、記憶は基礎であり、知識はその範囲であり、答え可能性はカバレッジの問題である。
最適なメモリは、期待されるカバレッジのキャパシティ制限された最大値である。
論文 参考訳（メタデータ） (2026-08-12T04:54:26Z) - MemSyco-Bench: Benchmarking Sycophancy in Agent Memory [32.49512092540906]
MemSyco-Benchは、エージェントシステムにおけるメモリ誘起性を評価するためのベンチマークである。
MemSyco-Benchは、いつメモリが決定に影響を及ぼすか、どのように有効なメモリを使用するかを測定する。
論文 参考訳（メタデータ） (2026-07-01T15:30:33Z) - 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) - Causal Intervention-Based Memory Selection for Long-Horizon LLM Agents [0.33842793760651557]
制御された介入の下で,候補記憶がモデル応答に与える影響を推定する因果記憶選択手法を提案する。
以上の結果から,CMIは,信頼性の高い長期記憶には関連性のみではなく,因果的有用性に基づくコンテキスト選択が必要であることが示唆された。
論文 参考訳（メタデータ） (2026-05-17T20:21:55Z) - Is One Score Enough? Rethinking the Evaluation of Sequentially Evolving LLM Memory [50.857546269660276]
本稿では,大規模言語モデル(LLM)メモリを逐次進化させる診断評価フレームワークであるSeqMem-Evalを紹介する。
最終的なパフォーマンスのみに焦点を当てるのではなく、SeqMem-Evalは、シーケンシャル推論において、メモリ状態がどのように進化し、一般化し、エクスペリエンスを集約し、有用な情報を保持するかを評価する。
論文 参考訳（メタデータ） (2026-05-14T20:15:22Z) - Belief Memory: Agent Memory Under Partial Observability [56.41506249481312]
本稿では,メモリパラダイムを観測毎に1つの結論にシフトし,その確率で複数の結論を導出するBeliefMemを提案する。
BeliefMemは決定論的パラダイムが破棄されるという不確実性を保ち、エージェントが高い信頼を持って行動することを可能にする。
LoCoMoとALFWorldベンチマークの実証的な評価は、限られたデータであっても、BeliefMemが最高の平均パフォーマンスを達成することを示している。
論文 参考訳（メタデータ） (2026-05-07T02:03:13Z) - From Recall to Forgetting: Benchmarking Long-Term Memory for Personalized Agents [38.52713500119118]
Memoraは、数週間から数ヶ月のユーザ会話にまたがる長期メモリベンチマークです。
ベンチマークでは、記憶、推論、レコメンデーションの3つのメモリグラウンドタスクを評価している。
FAMA(Forgetting-Aware Memory Accuracy)は、古いメモリや無効メモリへの依存を罰するメトリクスである。
論文 参考訳（メタデータ） (2026-04-21T21:31:01Z) - A Survey on the Security of Long-Term Memory in LLM Agents: Toward Mnemonic Sovereignty [12.941302388928841]
認知神経科学と記憶哲学に基づいて、エージェント記憶は順応的で、再編集可能で、社会的に伝播していると特徴付けている。
我々は、Write、Store、Retrieve、Execute、Share、Forget/Rollbackという6つのフェーズで構成されたメモリライフサイクルフレームワークを開発しています。
文献は書き込み時と検索時の整合性攻撃に集中しているが、機密性、可用性、ストア/フォゲット、良性パーシステンス障害は軽微に研究されている。
論文 参考訳（メタデータ） (2026-04-17T06:28:22Z) - MemoryArena: Benchmarking Agent Memory in Interdependent Multi-Session Agentic Tasks [55.145729491377374]
メモリを持つエージェントの既存の評価は、通常、単独で記憶と行動を評価する。
マルチセッションメモリ-エージェント環境ループにおけるエージェントメモリのベンチマークのための統合評価ジムであるMemoryArenaを紹介する。
MemoryArenaは、Webナビゲーション、優先制約付き計画、プログレッシブ情報検索、シーケンシャルなフォーマルな推論を含む評価をサポートする。
論文 参考訳（メタデータ） (2026-02-18T09:49:14Z) - Beyond Dialogue Time: Temporal Semantic Memory for Personalized LLM Agents [68.84161689205779]
テンポラルセマンティックメモリ(TSM)は、ポイントワイドメモリのセマンティックタイムをモデル化するメモリフレームワークである。
TSMは既存の手法を一貫して上回り、最大12.2%の精度向上を実現している。
論文 参考訳（メタデータ） (2026-01-12T12:24:44Z) - Beyond Heuristics: A Decision-Theoretic Framework for Agent Memory Management [49.71055327567513]
メモリ管理は、不確実性の下でのシーケンシャルな意思決定問題と見なされるべきである。
私たちの貢献は、新しいアルゴリズムではなく、アプローチの限界を明確にする原則的なリフレーミングです。
論文 参考訳（メタデータ） (2025-12-25T08:23:03Z) - Learning Memory Mechanisms for Decision Making through Demonstrations [34.02510598090704]
私たちは、メモリ依存ペアの$(p, q)$という概念を紹介します。
メモリGymと長期メモリベンチマークで評価すると、標準的なトランスフォーマーと比較して、いくつかのタスクで大幅な改善が見られた。
論文 参考訳（メタデータ） (2024-11-12T17:30:31Z)
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。