論文の概要: EvolveMem:Self-Evolving Memory Architecture via AutoResearch for LLM Agents

• arxiv url: http://arxiv.org/abs/2605.13941v1
• Date: Wed, 13 May 2026 17:12:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.431066
• Title: EvolveMem:Self-Evolving Memory Architecture via AutoResearch for LLM Agents
• Title（参考訳）: EvolveMem:LLMエージェントの自動検索による自己進化記憶アーキテクチャ
• Authors: Jiaqi Liu, Xinyu Ye, Peng Xia, Zeyu Zheng, Cihang Xie, Mingyu Ding, Huaxiu Yao,
• Abstract要約: 本稿では,自己進化型メモリアーキテクチャであるEvolveMemについて述べる。 このクローズループの自己進化はAutoResearchプロセスを実現している。システムは自力で独自のアーキテクチャ上で反復的な研究サイクルを実行し、手動構成のチューニングを置き換える。
• 参考スコア（独自算出の注目度）: 80.59925936278162
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-term memory is essential for LLM agents that operate across multiple sessions, yet existing memory systems treat retrieval infrastructure as fixed: stored content evolves while scoring functions, fusion strategies, and answer-generation policies remain frozen at deployment. We argue that truly adaptive memory requires co-evolution at two levels: the stored knowledge and the retrieval mechanism that queries it. We present EvolveMem, a self-evolving memory architecture that exposes its full retrieval configuration as a structured action space optimized by an LLM-powered diagnosis module. In each evolution round, the module reads per-question failure logs, identifies root causes, and proposes targeted configuration adjustments; a guarded meta-analyzer applies them with automatic revert-on-regression and explore-on-stagnation safeguards. This closed-loop self-evolution realizes an AutoResearch process: the system autonomously conducts iterative research cycles on its own architecture, replacing manual configuration tuning. Starting from a minimal baseline, the process converges autonomously, discovering effective retrieval strategies including entirely new configuration dimensions not present in the original action space. On LoCoMo, EvolveMem outperforms the strongest baseline by 25.7% relative and achieves a 78.0% relative improvement over the minimal baseline. On MemBench, EvolveMem exceeds the strongest baseline by 18.9% relative. Evolved configurations transfer across benchmarks with positive rather than catastrophic transfer, indicating that the self-evolution process captures universal retrieval principles rather than benchmark-specific heuristics. Code is available at https://github.com/aiming-lab/SimpleMem.
• Abstract（参考訳）: 長期記憶は、複数のセッションをまたいで動作するLLMエージェントにとって不可欠であるが、既存のメモリシステムは、検索インフラストラクチャを固定として扱う。 我々は、真に適応的なメモリは、記憶された知識とそれをクエリする検索メカニズムの2つのレベルで共進化を必要とすると主張している。 本稿では,自己進化型メモリアーキテクチャであるEvolveMemについて述べる。 各進化ラウンドでは、モジュールは要求毎の障害ログを読み出し、根本原因を特定し、ターゲットの設定調整を提案する。 このクローズドループの自己進化は、AutoResearchプロセスを実現している。システムは、手動構成チューニングの代わりに、独自のアーキテクチャ上で、自律的に反復的な研究サイクルを実行する。 最小限のベースラインから始めて、プロセスは自律的に収束し、元のアクション空間に存在しない全く新しい構成次元を含む効果的な検索戦略を発見する。 LoCoMoでは、EvolveMemが最強のベースラインを25.7%上回り、最小のベースラインに対して78.0%の相対的な改善を達成している。 メムベンチでは、EvolveMemが18.9%の比で最強のベースラインを越えた。 自己進化過程は、ベンチマーク固有のヒューリスティックではなく普遍的な検索原理を捉えていることを示している。 コードはhttps://github.com/aiming-lab/SimpleMem.comで入手できる。

関連論文リスト

• MemEvoBench: Benchmarking Memory MisEvolution in LLM Agents [78.95081012334116]
  永続メモリを持つ大規模言語モデル(LLM)は、相互作用の継続性とパーソナライゼーションを高めるが、新たな安全性リスクをもたらす。 汚染または偏りのある記憶蓄積は、異常な作用を引き起こす可能性がある。 MemeEvoBenchは、LLMエージェントのメモリ安全性を評価する最初のベンチマークである。
  論文  参考訳（メタデータ） (2026-04-17T07:29:52Z)
• MemMA: Coordinating the Memory Cycle through Multi-Agent Reasoning and In-Situ Self-Evolution [52.29303869050117]
  メモリ拡張LDMエージェントは、長期の相互作用をサポートするために外部メモリバンクを保持する。 MemMAはプラグアンドプレイのマルチエージェントフレームワークで、前方と後方の両方の経路に沿ってメモリサイクルを調整する。
  論文  参考訳（メタデータ） (2026-03-19T10:15:59Z)
• Choosing How to Remember: Adaptive Memory Structures for LLM Agents [43.27579458682491]
  メモリは、大きな言語モデル(LLM)ベースのエージェントが長い水平相互作用に対するコヒーレントな振舞いを維持するために重要である。 LLMエージェントに適応的なメモリ構成を可能にする統合フレームワークFluxMemを提案する。 PERSONAMEMとLoCoMoの2つのロングホライゾンベンチマーク実験により,本手法が平均改善率9.18%と6.14%を達成することを示した。
  論文  参考訳（メタデータ） (2026-02-15T07:56:24Z)
• Neuromem: A Granular Decomposition of the Streaming Lifecycle in External Memory for LLMs [31.958776309037546]
  我々は、インターリーブされた挿入・検索プロトコルの下で外部メモリモジュールをベンチマークするスケーラブルなテストベッドであるNeuromemを紹介する。 メモリが丸ごと増大するにつれて、パフォーマンスは一般的に低下し、時間関連のクエリは依然として最も難しいカテゴリです。
  論文  参考訳（メタデータ） (2026-02-15T02:53:37Z)
• MemFly: On-the-Fly Memory Optimization via Information Bottleneck [35.420309099411874]
  長期記憶により、大きな言語モデルエージェントは歴史的相互作用を通じて複雑なタスクに取り組むことができる。 既存のフレームワークは、冗長な情報を効率よく圧縮し、下流タスクの正確な検索を維持するというジレンマに遭遇する。 MemFlyは、LLMのオンザフライメモリ進化を促進する情報ボトルネックの原則に基づくフレームワークである。 MemFlyは、メモリコヒーレンス、応答忠実度、精度において最先端のベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2026-02-08T09:37:25Z)
• Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents [57.38404718635204]
  大規模言語モデル (LLM) エージェントは、有限コンテキストウィンドウによる長距離推論において基本的な制限に直面している。 既存のメソッドは通常、長期記憶(LTM)と短期記憶(STM)を独立したコンポーネントとして扱う。 本稿では,エージェントのポリシーに LTM と STM 管理を直接統合する統合フレームワークである Agentic Memory (AgeMem) を提案する。
  論文  参考訳（メタデータ） (2026-01-05T08:24:16Z)
• MemEvolve: Meta-Evolution of Agent Memory Systems [66.09735157017558]
  自己進化型メモリシステムは、大型言語モデル(LLM)ベースのエージェントの進化パラダイムを前例のない形で再構築している。 MemeEvolveは、エージェントの経験的知識とメモリアーキテクチャを共同で進化させるメタ進化フレームワークである。 EvolveLabは、12の代表的なメモリシステムをモジュール設計空間に蒸留する、統一された自己進化型メモリである。
  論文  参考訳（メタデータ） (2025-12-21T14:26:14Z)
• Evo-Memory: Benchmarking LLM Agent Test-time Learning with Self-Evolving Memory [89.65731902036669]
  Evo-Memoryは、大規模言語モデル(LLM)エージェントで自己進化型メモリを評価するための、ストリーミングベンチマークとフレームワークである。 10以上の代表的なメモリモジュールを評価し、10種類の多ターンゴール指向およびシングルターン推論およびQAデータセットで評価した。
  論文  参考訳（メタデータ） (2025-11-25T21:08:07Z)

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。