論文の概要: BOOKMARKS: Efficient Active Storyline Memory for Role-playing

• arxiv url: http://arxiv.org/abs/2605.14169v1
• Date: Wed, 13 May 2026 22:48:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.527295
• Title: BOOKMARKS: Efficient Active Storyline Memory for Role-playing
• Title（参考訳）: BOOKMARKS:ロールプレイングのための効率的なアクティブなストーリーラインメモリ
• Abstract要約: BookMARKSはロールプレイングエージェントのための検索ベースのメモリフレームワークである。 現在のタスクに対するタスク関連ブックマークを積極的に初期化し、維持し、更新する。 BookMARKSは16のアーティファクトから85文字のRPAメモリベースラインを大幅に上回っている。
• 参考スコア（独自算出の注目度）: 67.91742986947936
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Memory systems are critical for role-playing agents (RPAs) to maintain long-horizon consistency. However, existing RPA memory methods (e.g., profiling) mainly rely on recurrent summarization, whose compression inevitably discards important details. To address this issue, we propose a search-based memory framework called BOOKMARKS, which actively initializes, maintains, and updates task-relevant pieces of bookmarks for the current task (e.g., character acting). A bookmark is structured as the answer to a question at a specific point in the storyline. For each current task, BOOKMARKS selects reusable existing bookmarks or initializes new ones (at storyline beginning) with useful questions. These bookmarks are then synchronized to the current story point, with their answers updated accordingly, so they can be efficiently reused in future grounding rounds. Compared with recurrent summarization, BOOKMARKS offers (1) active grounding for capturing task-specific details and (2) passive updating to avoid unnecessary computation. In implementation, BOOKMARKS supports concept, behavior, and state searches, each powered by an efficient synchronization method. BOOKMARKS significantly outperforms RPA memory baselines on 85 characters from 16 artifacts, demonstrating the effectiveness of search-based memory for RPAs.
• Abstract（参考訳）: メモリシステムは、ロールプレイングエージェント(RPAs)が長期の一貫性を維持するために重要である。 しかし、既存のRPAメモリ手法(例えばプロファイリング)は、圧縮が必然的に重要な詳細を破棄する再帰的な要約に依存している。 この問題に対処するために,BOOKMARKSという検索ベースのメモリフレームワークを提案する。 ブックマークは、ストーリーラインの特定の点における質問に対する回答として構成される。 現在のタスクごとに、BOOKMARKSは再利用可能な既存のブックマークを選択したり、有用な質問で新しいブックマーク(ストーリーラインの先頭)を初期化する。 これらのブックマークは現在のストーリーポイントに同期され、回答はそれに従って更新されるため、将来の接地ラウンドで効率的に再利用することができる。 BOOKMARKSは,(1)タスク固有の詳細をキャプチャするためのアクティブグラウンド,(2)不必要な計算を避けるためにパッシブ更新を行う。 BOOKMARKSは、概念、振る舞い、状態探索をサポートし、それぞれに効率的な同期方法によって駆動される。 BOOKMARKSは16のアーティファクトから85文字のRPAメモリベースラインを著しく上回り、検索ベースのRPAメモリの有効性を示す。

関連論文リスト

• EdgeMem: LLM-Free Agent Memory Construction and Retrieval via Evidence-Preserving Multi-Anchor Hypergraph [37.27140929522461]
  既存の方法は相互作用履歴を要約やその他のLCM生成表現に圧縮する。 We propose EdgeMem, a agent-Memory method built on a simple principle: maintain original interaction turn and organize them through complementary content。
  論文  参考訳（メタデータ） (2026-09-03T11:17:03Z)
• When Memory Takes Gradients: Collaborative Vector Memory for Agentic Recommender Systems [6.12907469209873]
  エージェントレコメンデータシステムは、大きな言語モデルのそれぞれの決定を、ユーザの永続的なメモリに根拠付ける。 エージェントのメモリの協調コアをベクトル化するCoVeMemを提案する。
  論文  参考訳（メタデータ） (2026-08-27T09:51:18Z)
• Memory as a Controlled Process: Learned Adaptive Memory Management for LLM Agents [72.3752981234916]
  大きな言語モデル(LLM)エージェントは、タスク間の経験を蓄積するために、外部メモリシステムに依存している。 メモリ操作をマルコフ決定プロセスとしてモデル化するフレームワークである制御プロセス(MemCon)としてメモリを提示する。 MemConは、複数のメモリベースラインのタスク成功率を最大15.2ポイント上回り、トークン消費量を5-20%削減している。
  論文  参考訳（メタデータ） (2026-07-15T08:32:40Z)
• What Memory Do GUI Agents Really Need? From Passive Records to Active Task-Driving States [29.883598855446976]
  モバイルGUIエージェントは、ページやアプリケーション間でのタスク関連データの読み込み、更新、再利用を必要とする長い水平タスクに直面している。 既存の方法は、メモリを主にパッシブストレージとして扱い、過去の観測が蓄積され、必要に応じて回収される。 本稿では,GUIエージェントメモリをパッシブストレージからアクティブに保守された実行状態に移行するアクティブタスク駆動メモリ(ATMem)を提案する。
  論文  参考訳（メタデータ） (2026-06-30T13:01:19Z)
• Memory is Reconstructed, Not Retrieved: Graph Memory for LLM Agents [51.30250860677378]
  本稿では,連想記憶グラフとアクティブな再構成機構を組み合わせたフレームワークであるMRAgentを提案する。 Cue-Tag-Contentグラフ上で実行することで,メモリアクセスに直接推論を統合する。 LoCoMoベンチマークとLongMemEvalベンチマークの実験は、強いベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2026-06-04T11:29:46Z)
• EvoMemBench: Benchmarking Agent Memory from a Self-Evolving Perspective [21.66000179149483]
  EvoMemBenchは、メモリスコープとメモリ内容の2つの軸に沿って編成された統一ベンチマークである。 本稿では,15個の代表記憶法と強い長文ベースラインを標準プロトコルで比較する。 結果は、現在のメモリシステムは、まだ一般的な解決策には程遠いことを示している。
  論文  参考訳（メタデータ） (2026-05-18T13:54:38Z)
• 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)
• SAGE: A Self-Evolving Agentic Graph-Memory Engine for Structure-Aware Associative Memory [40.68349164818526]
  本稿では,グラフメモリを動的長期記憶基板としてモデル化する自己進化型エージェントグラフメモリエンジンであるSAGEを紹介する。 SAGEには2つの役割がある: 相互作用履歴から構造化されたグラフメモリを漸進的に構成するメモリライタと、検索とメモリライタへのフィードバックを提供するGraph Foundation Modelベースのメモリリーダである。
  論文  参考訳（メタデータ） (2026-05-12T12:47:43Z)
• Mem-W: Latent Memory-Native GUI Agents [50.87647372904382]
  本稿では,メモリをエージェントの連続的コンテキストの一部として扱う,潜在メモリネイティブなGUIエージェントであるMem-Wを紹介する。 4つのWebおよびモバイルナビゲーションベンチマークで、Mem-Wはさまざまなバックボーンとメモリ拡張ベースラインを一貫して改善している。
  論文  参考訳（メタデータ） (2026-05-10T04:31:23Z)
• LMEB: Long-horizon Memory Embedding Benchmark [49.57481835614834]
  埋め込みモデルの能力を評価する包括的なフレームワークであるLong-Horizon Memory Embedding Benchmark (LMEB)を紹介する。 LMEBは4つのメモリタイプにまたがる22のデータセットと193のゼロショット検索タスクにまたがる。 我々は、数億から100億のパラメータを含む、広く使われている15の埋め込みモデルを評価した。
  論文  参考訳（メタデータ） (2026-03-13T02:09:57Z)
• Learning to Remember: End-to-End Training of Memory Agents for Long-Context Reasoning [18.621823772319154]
  本稿では,メモリ操作と質問応答を一つのポリシーで統一するエンドツーエンド強化学習フレームワークを提案する。 UMAは、グローバルコンテキストのためのコンパクトなコアサマリと、明示的なCRUDをサポートする構造化メモリバンクという、二重メモリ表現を維持している。 Ledger-QA、Test-Time Learning、そしてCurcurate Retrievalにまたがる13のデータセットのうち、UMAは動的推論と学習タスクの長いコンテキストとRAGベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2026-02-13T16:54:23Z)
• AMA: Adaptive Memory via Multi-Agent Collaboration [54.490349689939166]
  複数の粒度にまたがるメモリ管理に協調エージェントを活用する新しいフレームワークであるAMA(Adaptive Memory via Multi-Agent Collaboration)を提案する。 AMAは、ステート・オブ・ザ・アートのベースラインを著しく上回り、トークンの消費をフルコンテキストの手法と比べて約80%削減する。
  論文  参考訳（メタデータ） (2026-01-28T08:09:49Z)
• Rethinking Memory in AI: Taxonomy, Operations, Topics, and Future Directions [55.19217798774033]
  メモリは、大規模言語モデル(LLM)ベースのエージェントを支える、AIシステムの基本コンポーネントである。 本稿ではまず,メモリ表現をパラメトリックおよびコンテキスト形式に分類する。 次に、コンソリデーション、更新、インデックス付け、フォッティング、検索、圧縮の6つの基本的なメモリ操作を紹介します。
  論文  参考訳（メタデータ） (2025-05-01T17:31:33Z)

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。