論文の概要: eMEM: A Hybrid Spatio-Temporal Memory System For Embodied Agents

• arxiv url: http://arxiv.org/abs/2606.03374v1
• Date: Tue, 02 Jun 2026 09:22:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.898181
• Title: eMEM: A Hybrid Spatio-Temporal Memory System For Embodied Agents
• Title（参考訳）: eMEM: 人工エージェントのためのハイブリッド時空間メモリシステム
• Authors: A. Haroon Rasheed, Maria Kabtoul,
• Abstract要約: 物理環境で動作するエンボディエージェントのためのハイブリッドグラフベースメモリシステムeMEMを提案する。 eMEMはこのギャップをマルチインデックスアーキテクチャ(構造化ストレージ用ITE、近傍セマンティックサーチ用hlib、空間クエリ用Rツリー)で埋める。 また,eMEM-Bench v1は,メモリ評価のためのProcTHOR-10Kシーン上で構築したベンチマークである。
• 参考スコア（独自算出の注目度）: 1.8047694351309203
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present eMEM (Embodied Memory), a hybrid graph-based memory system for embodied agents operating in physical environments. Current agent memory architectures, such as Generative Agents, MemGPT, and A-MEM, treat memory as text streams or knowledge graphs, but embodied agents require memory that is simultaneously searchable by meaning, space, and time. eMEM fills this gap with a multi-index architecture (SQL ITE for structured storage, hnswlib for approximate nearest neighbour semantic search, and an R-tree for spatial queries) unified behind a single graph model. A tiered consolidation pipeline transforms raw perceptual observations into compressed summaries, mirroring hippocampal-neocortical consolidation in biological systems. Ten agent-facing recall tools expose memory retrieval primitives, including concept-to-location resolution and cross layer recall, as first-class operations for LLM tool calling. The system is fully embedded and runs in-process alongside the agent. In addition we introduce eMEM-Bench v1, a benchmark we construct over ProcTHOR-10K scenes for embodied memory evaluation. The benchmark is organised explicitly around eight cognitive-psychology paradigms (DRM lures, pattern separation, pattern completion, source monitoring, context-dependent retrieval, long-horizon interference, serial position, and a foil augmented retention curve), each chosen so that the result is interpretable against the broader memory-systems literature in humans and prior agent-memory systems; a level of diagnostic that surface-task benchmarks like LoCoMo or OpenEQA cannot provide. eMEM scores 80.8 weighted mean over 988 probes, with a flat retention curve at ceiling from 1 h to 1 yr of simulated delay on room-unique items. We show that a pure RAG baseline (the flat_rag ablation) loses 30 pt on context dependent retrieval and 29 pt on DRM lure rejection, isolating the contribution of multi-layer storage and consolidation respectively. We release both the system and the benchmark code.
• Abstract（参考訳）: EMEM(Embodied Memory, eMEM)は, 物理環境で動作するエンボディエージェントのための, グラフベースのハイブリッドメモリシステムである。 Generative Agents、MemGPT、A-MEMなどの現在のエージェントメモリアーキテクチャは、メモリをテキストストリームまたはナレッジグラフとして扱うが、エンボディエージェントは、意味、空間、時間によって同時に検索可能なメモリを必要とする。 eMEMはこのギャップをマルチインデックスアーキテクチャ(構造化ストレージ用SQL ITE、近傍のセマンティックサーチ用hnswlib、空間クエリ用R-tree)で埋める。 結合型凝縮パイプラインは生の知覚観察を圧縮要約に変換し、生体系における海馬-大脳皮質の凝縮を反映する。 10のエージェント対応リコールツールは、LLMツール呼び出しのファーストクラス操作として、コンセプト・ツー・ロケーションの解決やクロスレイヤのリコールなど、メモリ検索プリミティブを公開している。 システムは完全に組み込みされ、エージェントと一緒にプロセス内で動作する。 また,eMEM-Bench v1は,メモリ評価のためのProcTHOR-10Kシーン上に構築したベンチマークである。 このベンチマークは8つの認知心理学パラダイム(DRMルアー、パターン分離、パターン補完、ソース監視、コンテキスト依存検索、長距離干渉、シリアル位置、およびフォイル拡張保持曲線)を明示的に構成し、その結果が人間や以前のエージェントメモリシステムにおけるより広範なメモリシステム文学と解釈されるように選択されている。 eMEMは、988個のプローブで平均80.8の重み付き平均値を示し、天井での平らな保持曲線は1時間から1時間程度で、室温で再現されたアイテムの遅延をシミュレーションした。 その結果, 純粋なRAGベースライン (flat_rag ablation) は, 文脈依存的検索で30 pt, DRMルアー拒絶では29 pt, 多層記憶と統合の寄与を分離することがわかった。 システムとベンチマークコードの両方をリリースします。

関連論文リスト

• Rethinking Memory as Continuously Evolving Connectivity [63.58181883607843]
  既存のメモリ拡張LDMエージェントは、メモリを事前定義された表現と固定された検索パイプラインを備えた静的リポジトリとして扱う。 メモリをヘテロジニアスなグラフとしてモデル化し,そのトポロジを3段階にわたって段階的に洗練する,コネクティビティ進化型メモリフレームワークであるFluxMemを提案する。 LoCoMo、Mind2Web、GAIAなど、根本的に異なる3つのベンチマークにおいて、FluxMemは一貫した最先端のパフォーマンスを実現し、複雑なエージェント環境において強力な適応と一般化を示す。
  論文  参考訳（メタデータ） (2026-05-27T17:35:34Z)
• MemGym: a Long-Horizon Memory Environment for LLM Agents [69.79226770543049]
  本稿では,エージェントメモリのベンチマークであるMemGymを紹介する。 MemGymは、メモリパフォーマンスを推論、検索、ツール使用能力から切り離すメモリアイソレーションスコアを報告している。 MEMGYM-CODEQAとMEMGYM-DRの合成パイプラインは、長さ制御可能であり、各ステージでアブレーションを検証可能であり、下流のシナリオと密に整合している。
  論文  参考訳（メタデータ） (2026-05-20T07:25:33Z)
• SCM: Sleep-Consolidated Memory with Algorithmic Forgetting for Large Language Models [0.0]
  本稿では, 永続的で構造化された, 生物学的に妥当な記憶の欠如に対処するために, 神経科学的原理に基づく大規模言語モデルのためのメモリアーキテクチャを提案する。 SCMは、人間のメモリにインスパイアされた5つのコアコンポーネントを実装している: 限られた容量のワーキングメモリ、多次元の重要タグ付け、異なるNREMとREMフェーズによるオフライン睡眠ステージの統合、意図的な値ベースの忘れ、イントロスペクションを可能にする計算自己モデル。 8つのテストからなる標準化されたベンチマークスイートの中で、プロトタイプは10ターンの会話に対して完全なリコール精度を達成し、適応的な忘れ込みによってメモリノイズを90.9%削減した。
  論文  参考訳（メタデータ） (2026-04-22T15:47:27Z)
• MemSearch-o1: Empowering Large Language Models with Reasoning-Aligned Memory Growth in Agentic Search [59.98962867649009]
  本稿では,メモリ成長とリトラシングに基づくエージェント検索フレームワークであるMemSearch-o1を提案する。 MemSearch-o1はクエリからメモリシードトークンからきめ細かいメモリフラグメントを成長させ、コントリビューション関数を通じてメモリを再トレースし、深く洗練し、最終的にグローバルに接続されたメモリパスを再編成する。
  論文  参考訳（メタデータ） (2026-04-19T05:35:06Z)
• 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)
• Aeon: High-Performance Neuro-Symbolic Memory Management for Long-Horizon LLM Agents [0.0]
  大規模言語モデル(LLM)は、自己注意の2次計算コストと「中道の失われた」現象によって制約される。 我々は,静的ストアではなく,管理OSリソースとしてメモリを再定義するニューロシンボリック認知オペレーティングシステムであるAeonを提案する。
  論文  参考訳（メタデータ） (2026-01-14T15:23:22Z)
• 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)
• SEDM: Scalable Self-Evolving Distributed Memory for Agents [23.182291416527764]
  SEDMは、メモリをパッシブリポジトリからアクティブな自己最適化コンポーネントに変換する検証可能で適応的なフレームワークである。 また,SEDMは,強いメモリベースラインに比べてトークンオーバーヘッドを低減しつつ,推論精度を向上することを示した。 結果は、SEDMをオープンエンドのマルチエージェントコラボレーションのためのスケーラブルで持続可能なメモリメカニズムとして強調する。
  論文  参考訳（メタデータ） (2025-09-11T14:37:37Z)

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。