Fugu-MT 論文翻訳(概要): PREPING: Building Agent Memory without Tasks

論文の概要: PREPING: Building Agent Memory without Tasks

arxiv url: http://arxiv.org/abs/2605.13880v1
Date: Mon, 11 May 2026 04:34:43 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-15 21:45:34.395427
Title: PREPING: Building Agent Memory without Tasks
Title（参考訳）: 準備: タスクなしでエージェントメモリを構築する
Authors: Yumin Choi, Sangwoo Park, Minki Kang, Jinheon Baek, Sung Ju Hwang,
Abstract要約: Prepingはプロポーザル誘導型メモリ構築フレームワークである。コアとなるのは、将来の実践を形作る構造化制御状態であるプロジェクタメモリである。トライアルでは、Prepingはメモリなしのベースラインよりも大幅に改善されている。
参考スコア（独自算出の注目度）: 65.75870568959644
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Agent memory is typically constructed either offline from curated demonstrations or online from post-deployment interactions. However, regardless of how it is built, an agent faces a cold-start gap when first introduced to a new environment without any task-specific experience available. In this paper, we study pre-task memory construction: whether an agent can build procedural memory before observing any target-environment tasks, using only self-generated synthetic practice. Yet, synthetic interaction alone is insufficient, as without controlling what to practice and what to store, synthetic tasks become redundant, infeasible, and ultimately uninformative, and memory further degrades quickly due to unfiltered trajectories. To overcome this, we present Preping, a proposer-guided memory construction framework. At its core is proposer memory, a structured control state that shapes future practice. A Proposer generates synthetic tasks conditioned on this state, a Solver executes them, and a Validator determines which trajectories are eligible for memory insertion while also providing feedback to guide future proposals. Experiments on AppWorld, BFCL v3, and MCP-Universe show that Preping substantially improves over a no-memory baseline and achieves performance competitive with strong playbook-based methods built from offline or online experience, with deployment cost $2.99\times$ lower on AppWorld and $2.23\times$ lower on BFCL v3 than online memory construction. Further analyses reveal that the main benefit does not come from synthetic volume alone, but from proposer-side control over feasibility, redundancy, and coverage, combined with selective memory updates.
Abstract（参考訳）: エージェントメモリは通常、キュレートされたデモからオフラインで構築されるか、デプロイ後のインタラクションからオンラインに構築される。しかしながら、その構築方法にかかわらず、エージェントは、タスク固有の経験がなくても、新しい環境に最初に導入された際に、コールドスタートギャップに直面します。本稿では,自己生成型合成プラクティスのみを用いて,ターゲット環境のタスクを観察する前に,エージェントがプロシージャメモリを構築することができるかどうかについて検討する。しかし、人工的な相互作用だけでは不十分であり、何を実践し、何を保存するかを制御することなく、人工的なタスクは冗長になり、実現不可能になり、最終的には不整形となり、記憶は不整形軌道のためにさらに急速に劣化する。これを解決するために,提案者によるメモリ構築フレームワークであるPrepingを提案する。コアとなるのは、将来の実践を形作る構造化制御状態であるプロジェクタメモリである。 Proposerは、この状態に条件付き合成タスクを生成し、Solverがそれらを実行し、Validatorは、将来の提案をガイドするフィードバックを提供しながら、どのトラジェクトリがメモリ挿入に適しているかを判断する。 AppWorld、BFCL v3、MCP-Universeでの実験では、Prepingは非メモリベースラインよりも大幅に改善され、オフラインまたはオンラインエクスペリエンスから構築された強力なプレイブックベースのメソッドと競合し、AppWorldでは2.99\times$、BFCL v3では2.23\times$低い。さらに分析した結果, 合成ボリュームだけでなく, 実現可能性, 冗長性, カバレッジに対するプロジェクタ側制御, 選択メモリ更新によるメリットが示された。

関連論文リスト

Contextual Agentic Memory is a Memo, Not True Memory [3.939241105154204]
我々は、ルックアップをメモリとして扱うことは、エージェント能力、長期学習、セキュリティの証明可能な結果を伴うカテゴリエラーであると主張する。生体知能は, 高速海馬貯蔵と低速大脳皮質体重統合を併用することによりこの問題を解決した。
論文参考訳（メタデータ） (2026-04-30T10:54:56Z)
NextMem: Towards Latent Factual Memory for LLM-based Agents [58.35585202907478]
NextMemは、自動回帰型オートエンコーダを使用して、潜時メモリを効率的に構築する、潜時ファクトメモリフレームワークである。大規模な実験は、NextMemが優れたパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2026-02-26T14:35:27Z)
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)
Enhancing Conversational Agents via Task-Oriented Adversarial Memory Adaptation [64.69535903624033]
本稿では,タスク実行をシミュレートすることで,メモリ構築と更新をタスク目標と整合させるアダクティブメモリ適応機構を提案する。 AMAは、様々な既存のメモリシステムに統合することができ、LongダイアログベンチマークであるLoCoMoの広範な実験により、その効果が示されている。
論文参考訳（メタデータ） (2026-01-29T14:42:34Z)
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)
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)
General Agentic Memory Via Deep Research [12.503470046367838]
我々は,textbf General Agentic memory (GAM) と呼ばれる新しいフレームワークを提案する。 GAMは実行時にクライアントに最適化されたコンテキストを生成し、オフライン段階ではシンプルだが有用なメモリのみを保持する。 GAMは、既存のメモリシステムに対して様々なメモリ基底タスク完了シナリオを大幅に改善する。
論文参考訳（メタデータ） (2025-11-23T12:29:33Z)
Memory Management and Contextual Consistency for Long-Running Low-Code Agents [0.0]
本稿ではLCNCエージェントに特化して設計された新しいハイブリッドメモリシステムを提案する。認知科学にインスパイアされた私たちのアーキテクチャは、エピソードとセマンティックメモリコンポーネントと、積極的な「インテリジェント・デカイ」メカニズムを組み合わせています。鍵となるイノベーションは、LCNCパラダイムに沿ったユーザ中心の可視化インターフェースであり、非技術者のユーザがエージェントのメモリを直接管理できるようにする。
論文参考訳（メタデータ） (2025-09-27T08:01:26Z)

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。