論文の概要: DELTAMEM: Incremental Experience Memory for LLM Agents via Residual Trees

• arxiv url: http://arxiv.org/abs/2606.03083v1
• Date: Tue, 02 Jun 2026 03:13:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.721649
• Title: DELTAMEM: Incremental Experience Memory for LLM Agents via Residual Trees
• Title（参考訳）: DELTAMEM: 残留木を用いたLCMエージェントのインクリメンタル体験メモリ
• Authors: Haoran Tan, Zeyu Zhang, Zhicheng Cao, Rui Li, Xu Chen,
• Abstract要約: 既存の知識の漸進的な変化として,新たに獲得した経験がしばしばあると仮定して,残余体験を導入する。 経験記憶を2つの独立した残留木に整理するフレームワークであるDeltaMemを提案する。 多様なインタラクティブ環境における実験は、DeltaMemが既存のベースラインを一貫して上回っていることを示している。
• 参考スコア（独自算出の注目度）: 15.040112664020503
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Model (LLM)-based agents increasingly rely on memory to learn from experiences over continual interactions. However, storing experiences as independent, flat units leads to substantial redundancy and retrieval conflicts, as similar episodes repeat overlapping content and subtle scene variations cause retrieved memories to offer contradictory guidance. To address this, we introduce residual experience, positing that newly acquired experience is often an incremental variation of existing knowledge. We propose DeltaMem, a framework that organizes experience memory into two independent residual trees, one storing goal-conditioned task experience as reusable skills and another for scene-level environment knowledge. Each tree uses a root node for generalized base experiences and incremental delta nodes for subsequent variations, allowing related experiences to share a common foundation without duplication. For retrieval, a failure-penalized similarity scan locates the best match, reconstructing the full experience via root-to-match chain composition. An autonomous consolidation mechanism distills high-frequency paths into new root nodes, enabling the trees to self-organize from general heuristics to specialized variants. Experiments across diverse interactive environments show that DeltaMem consistently outperforms existing baselines. To facilitate future research, we release the code at https://github.com/import-myself/DeltaMem.
• Abstract（参考訳）: 大規模言語モデル(LLM)ベースのエージェントは、連続的な相互作用よりも経験から学ぶためにメモリに依存している。 しかし、独立した平らな単位としての記憶体験は、類似のエピソードが重複するコンテンツと微妙なシーンの変化を繰り返すことで、矛盾したガイダンスを提供するため、かなりの冗長性と検索上の矛盾を引き起こす。 これを解決するために、我々は、新たに獲得した経験が既存の知識の漸進的な変化であると仮定して、残留経験を導入する。 DeltaMemは、体験記憶を2つの独立した残木に整理するフレームワークであり、一方はゴール条件付きタスク体験を再利用可能なスキルとして保存し、もう一方はシーンレベルの環境知識を提供する。 各ツリーは、一般化されたベースエクスペリエンスにルートノード、その後のバリエーションにインクリメンタルデルタノードを使用しており、関連するエクスペリエンスは重複なく共通の基盤を共有することができる。 検索には、故障に費やされた類似性スキャンがベストマッチを見つけ出し、ルート・ツー・マッチ・チェーンの合成を通じて完全なエクスペリエンスを再構築する。 自律的な統合機構は、高頻度の経路を新しいルートノードに蒸留し、木が一般的なヒューリスティックから特殊な変種に自己組織化することを可能にする。 多様なインタラクティブ環境における実験は、DeltaMemが既存のベースラインを一貫して上回っていることを示している。 将来の研究を促進するため、https://github.com/import-myself/DeltaMem.comでコードを公開しています。

関連論文リスト

• AdaMem: Adaptive User-Centric Memory for Long-Horizon Dialogue Agents [49.63422082885992]
  長軸対話エージェントのための適応型ユーザ中心メモリフレームワークであるAdaMemを提案する。 AdaMemは対話履歴をワーキング、エピソディック、ペルソナ、グラフメモリに整理する。 LoCoMo と PERSONAMEM ベンチマーク上での AdaMem の評価を行った。
  論文  参考訳（メタデータ） (2026-03-17T13:22:54Z)
• Evoking User Memory: Personalizing LLM via Recollection-Familiarity Adaptive Retrieval [59.295767860331004]
  RF-Memは、親しみやすい不確実性誘導デュアルパスメモリレトリバーである。 それは、人間のようなデュアルプロセス認識をレトリバーに埋め込む。 一定の予算とレイテンシの制約の下で、ワンショット検索とフルコンテキスト推論を一貫して上回る。
  論文  参考訳（メタデータ） (2026-03-10T06:31:44Z)
• Towards Multimodal Lifelong Understanding: A Dataset and Agentic Baseline [58.585692088008905]
  MM-Lifelongはマルチモーダルライフロング理解のために設計されたデータセットである。 撮影時間は181.1時間で、日、週、月の各スケールにまたがって構成され、様々な時間密度を捉えている。
  論文  参考訳（メタデータ） (2026-03-05T18:52:12Z)
• Beyond RAG for Agent Memory: Retrieval by Decoupling and Aggregation [22.803751188961865]
  検索は類似性マッチングを超えて移動し、代わりに潜在コンポーネントを操作するべきだと我々は主張する。 我々は、無傷ユニットの階層を構築し、検索可能な高レベルノード組織を維持するxMemoryを提案する。
  論文  参考訳（メタデータ） (2026-02-02T12:04:58Z)
• 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)
• Agentic Learner with Grow-and-Refine Multimodal Semantic Memory [50.81667005063605]
  ViLoMemは、コンパクトなスキーマベースのメモリを構築するデュアルストリームメモリフレームワークである。 視覚的障害パターンと論理的推論エラーを符号化し、MLLMが成功し失敗した経験から学ぶことを可能にする。
  論文  参考訳（メタデータ） (2025-11-26T18:55:08Z)
• ReasoningBank: Scaling Agent Self-Evolving with Reasoning Memory [57.517214479414726]
  ReasoningBankは、エージェントの自己判断の成功と失敗の経験から一般化可能な推論戦略を抽出するメモリフレームワークである。 テスト時には、エージェントがReasoningBankから関連する記憶を取得してそのインタラクションを知らせ、新しい学習を統合することで、時間が経つにつれてより有能になる。 本稿では,エージェントのインタラクションエクスペリエンスをスケールアップすることにより,学習プロセスの高速化と多様化を図るメモリ対応テストタイムスケーリング(MaTTS)を提案する。
  論文  参考訳（メタデータ） (2025-09-29T17:51:03Z)
• DP-CRE: Continual Relation Extraction via Decoupled Contrastive Learning and Memory Structure Preservation [4.303714963263037]
  連続関係抽出(CRE)は、非定常データストリームから関係知識を漸進的に学習することを目的としている。 現在のリプレイベースのトレーニングパラダイムは、すべてのデータを均一に優先順位付けし、複数のラウンドでメモリサンプルをトレーニングする。 我々は、事前情報保存と新たな知識獲得のプロセスを分離するDecouPled CREフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-03-05T07:16:51Z)
• Bootstrapping a DQN Replay Memory with Synthetic Experiences [0.0]
  学習者を支援するために,非決定論的離散環境において合成体験を生成するアルゴリズムを提案する。 The Interpolated Experience Replay are evaluate on the FrozenLake environment and we show that it can support the agent to learn faster and better than the classic version。
  論文  参考訳（メタデータ） (2020-02-04T15:36:36Z)

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。