論文の概要: SAGE: A Novelty Gate for Efficient Memory Evolution in Agentic LLMs

• arxiv url: http://arxiv.org/abs/2605.30711v1
• Date: Fri, 29 May 2026 01:03:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.318902
• Title: SAGE: A Novelty Gate for Efficient Memory Evolution in Agentic LLMs
• Title（参考訳）: SAGE: エージェントLDMの効率的なメモリ進化のための新しいゲート
• Abstract要約: SAGEは、メモリ進化のための新しいアダプティブゲートである。 候補となる事実をスコアし、メモリストアのジオメトリを追跡する適応しきい値でルーティングする。 LoCoMoでは、SAGEは7つのオープンウェイトバックボーンの比較でMem0に対する平均トークンF1を達成する。 GPT-4o-miniでは、SAGEは追加フェーズAPIのコストを3.4$times$、追加フェーズのレイテンシを2.5$times$に下げる。
• 参考スコア（独自算出の注目度）: 19.88021046868793
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Agentic LLMs must continuously decide whether newly extracted facts should be added, merged with existing memories, or ignored, yet prior work has focused more on retrieval and storage than on principled write-side control. We frame memory evolution as a novelty-detection problem and propose SAGE, a Spherical Adaptive Gate for memory Evolution that scores candidate facts with a von Mises-Fisher-based density estimator over memory embeddings and routes them with an adaptive threshold that tracks memory-store geometry. SAGE resolves clearly novel facts as ADD, clearly redundant facts as NOOP, and sends only uncertain cases to an LLM merge step, reducing expensive write-time reasoning. On LoCoMo, SAGE achieves the best average token-F1 against Mem0 on all seven open-weight backbone comparisons, while on GPT-4o-mini it reduces add-phase API cost by 3.4$\times$ and add-phase latency by 2.5$\times$ with only a small average judge-score gap. As a drop-in binary gate for A-Mem, SAGE skips roughly 16-18% of LLM calls across five models with minimal quality change on open-weight backbones. These results suggest that novelty-aware write control is a practical lever for improving both memory quality and system efficiency in long-term agentic memory.
• Abstract（参考訳）: エージェントLSMは、新たに抽出された事実を付加するか、既存の記憶とマージすべきか、無視すべきかを継続的に決定しなければならないが、以前の研究は原則的な書き込み側制御よりも、検索と記憶に重点を置いてきた。 我々は、メモリの進化を新しい検出問題として捉え、メモリストア形状を追跡する適応しきい値を用いて、von Mises-Fisherベースの密度推定器を用いて、候補事実をスコアリングする、メモリ進化のための球形適応ゲートであるSAGEを提案する。 SAGE は明らかに新しい事実を ADD として解決し、明らかに冗長な事実を NOOP として解決し、不確実な事例だけを LLM マージステップに送信することで、書き込み時間の高価な推論を削減している。 LoCoMoでは、7つのオープンウェイトなバックボーンの比較でMem0に対して最高の平均トークンF1を達成する一方、GPT-4o-miniでは、追加フェーズAPIのコストを3.4$\times$、追加フェーズのレイテンシを2.5$\times$で減らす。 A-Memのドロップインバイナリゲートとして、SAGEは5つのモデルで約16-18%のLLMコールをスキップする。 これらの結果から,新規な書き込み制御は,長期記憶におけるメモリ品質とシステム効率を両立させる実用的なレバーであることが示唆された。

関連論文リスト

• Dual-Grained Agent Memory and Shapley Context Attribution for Multimodal Agentic Learner [55.80248281761638]
  マルチモーダルな大言語モデル (MLLM) は、科学的および数学的推論において、印象的な認識を提供する。 本稿では,DG-Memを提案する。DG-Memは,トレーニングタイムのロールアウトから一度構築した外部記憶メモリと,テスト時に読み取り専用に相談することで,凍結したMLLMを拡張可能なエージェントメモリフレームワークである。
  論文  参考訳（メタデータ） (2026-08-24T13:56:01Z)
• $\varepsilon$-MemEvo: Adaptive Cross-Task Memory Transfer for LLM Program Evolution [6.467420733391463]
  本稿では,プログラム進化におけるクロスタスクな知識伝達のためのフレームワークである$varepsilon$-MemEvoを紹介する。 $varepsilon$-MemEvoはタスクに依存しない戦術記憶としての経験を保存している。 数式最適化とシステム工学にまたがる8つの最適化ベンチマークにおいて、$varepsilon$-MemEvoを評価した。
  論文  参考訳（メタデータ） (2026-08-12T18:56:31Z)
• 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)
• 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)
• SAGE: Sign-Adaptive Gradient for Memory-Efficient LLM Optimization [1.675857332621569]
  我々はAdamWをハイブリッド構造に置き換えるSAGE(Sign Adaptive GradiEnt)を提案する。 SAGEは、Lionスタイルの更新方向と、新しいメモリ効率の$O(d)$アダプティブスケールを組み合わせる。 最大1.3BパラメータのLlamaモデルでは、SAGEベースのハイブリッドは、新しい最先端のパープレキシティを実現し、すべてのベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-04-09T00:07:38Z)
• Memori: A Persistent Memory Layer for Efficient, Context-Aware LLM Agents [0.0]
  既存のアプローチはベンダーをロックインさせ、大量の生会話をプロンプトに注入することに頼っている。 本稿では,メモリをデータ構造問題として扱うLCM非依存の永続メモリ層であるMemoriを紹介する。
  論文  参考訳（メタデータ） (2026-03-20T13:26:38Z)
• Adaptive Memory Admission Control for LLM Agents [9.04001220868675]
  本稿では,メモリ入力を構造化決定問題として扱うフレームワークであるAdaptive Memory Admission Control (A-MAC)を提案する。 A-MACはメモリ値を5つの補完的・解釈可能な因子に分解する。 A-MACは精度のよいリコールトレードオフを実現し、F1を0.583に改善し、最先端のLLMネイティブメモリシステムに比べてレイテンシを31%削減した。
  論文  参考訳（メタデータ） (2026-03-04T19:32:02Z)
• 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)
• Towards Autonomous Memory Agents [8.294673275138122]
  我々は,知識を最小限のコストで獲得し,検証し,キュレートする自律記憶エージェントを提案する。 U-Memはこのアイデアを、コスト対応の知識抽出カスケードを通じて実現している。 検証可能なベンチマークと検証できないベンチマークでは、U-Memは以前のメモリベースラインを一貫して上回り、RLベースの最適化を上回ることができる。
  論文  参考訳（メタデータ） (2026-02-25T20:59:44Z)
• Training Large Reasoning Models Efficiently via Progressive Thought Encoding [63.254758972725654]
  大規模推論モデル(LRM)は複雑な問題に優れるが、効率にとって重要な障壁に直面している。 本稿では,パラメータ効率のよい微調整手法であるProgressive Thoughtを紹介する。
  論文  参考訳（メタデータ） (2026-02-18T20:03:38Z)
• 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)
• SHERL: Synthesizing High Accuracy and Efficient Memory for Resource-Limited Transfer Learning [63.93193829913252]
  本稿では,リソース制限シナリオに対するSHERLと呼ばれる革新的なMETL戦略を提案する。 初期経路では、中間出力は反冗長動作によって統合される。 遅延ルートでは、最小限の遅延事前トレーニングされたレイヤを利用することで、メモリオーバーヘッドのピーク需要を軽減できる。
  論文  参考訳（メタデータ） (2024-07-10T10:22:35Z)
• FFN-SkipLLM: A Hidden Gem for Autoregressive Decoding with Adaptive Feed Forward Skipping [49.66872823080736]
  自己回帰型大規模言語モデル(LLaMa, GPT)は、言語理解と生成において顕著な成功を収めている。 発生時に発生する過負荷を軽減するため、いくつかの早期退避および層下降戦略が提案されている。 本稿では,入力適応型フィードフォワードスキップ戦略であるFFN-SkipLLMを提案する。
  論文  参考訳（メタデータ） (2024-04-05T02:35:43Z)

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。