論文の概要: RAMPART: Registry-based Agentic Memory with Priority-Aware Runtime Transformation

• arxiv url: http://arxiv.org/abs/2606.04628v1
• Date: Wed, 03 Jun 2026 09:01:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.645263
• Title: RAMPART: Registry-based Agentic Memory with Priority-Aware Runtime Transformation
• Title（参考訳）: RAMPART:プライオリティ対応ランタイム変換によるレジストリベースのエージェントメモリ
• Authors: Nikodem Tomczak,
• Abstract要約: RAMPARTはコンパイル時のメモリモデルであり、LLMベースのエージェントのための純粋なRAMブロックレジストリである。 5つの構成可能なプリミティブが名前付きアドレス可能なブロックに作用する。 Qwen3-8B Q4で制御されたプローブは、コンパイル時の配置とブロックとタスククエリの構造的関係がタスクの成功に影響を与えることを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: RAMPART is a compile-time memory model and pure in-RAM block registry for LLM-based agents. Context assembly is a programmable runtime operation where content is compiled from a structured registry under explicit policy for ordering, inclusion, and eviction. Five composable primitives (promote, gate, write, evict, rollback) act on named addressable blocks before compilation at zero prompt-token cost. Provenance tags and non-evictable authorship flags implement a permissioned memory model with block-level ownership. Controlled probes with Qwen3-8B Q4 show that compile-time placement and the structural relationship between blocks and the task query affect task success, with the cliff falling at roughly the seventh block position when the task follows the registry and the twelfth when it precedes. Grouping the critical block with content-adjacent neighbours and promoting the group as a unit lifts task success by tens of percentage points at positions where single-block placement fails. Cross-model replication on Qwen2.5-7B, Llama-3.1-8B, Mistral-7B-v0.3, and Qwen3-14B shows the content-priming effect appears at the same absolute positions across families, with magnitude varying with model strength. Block grouping raises Mistral's mean pass rate roughly fivefold at the hardest registry size, and a smaller model with the intervention can outperform a larger model without it in the mid-registry zone. Relevance gating reduces prompt cost by 67.8\% while recovering 83% of the promoted-condition success rate. Schema eviction produces 0% invocations against 100% with the schema present, a property policy-based approaches cannot guarantee by construction. Shared-registry coordination reduces inter-agent communication to a method call at zero coordination token cost.
• Abstract（参考訳）: RAMPARTはコンパイル時のメモリモデルであり、LLMベースのエージェントのための純粋なRAMブロックレジストリである。 コンテキストアセンブリ(Context Assembly)は、構造化レジストリから順序付け、包摂、排除の明確なポリシーの下でコンパイルされるプログラム可能なランタイム操作である。 5つの構成可能なプリミティブ(promote, gate, write, evict, rollback)は、名前付きアドレス可能なブロックに作用する。 Provenanceタグと非エビジュアブルなオーサシップフラグは、ブロックレベルのオーナシップを持つ許可されたメモリモデルを実装している。 Qwen3-8B Q4の制御されたプローブは、コンパイル時配置とブロック間の構造的関係とタスククエリがタスクの成功に影響を与えることを示した。 クリティカルブロックをコンテンツ隣接の隣人とグループ化し、ユニットとしてグループを推進することで、単一ブロック配置が失敗する位置において、タスクの成功を数パーセント引き上げる。 Qwen2.5-7B, Llama-3.1-8B, Mistral-7B-v0.3, Qwen3-14B上のクロスモデル複製は、家族間で同じ絶対的な位置にあることを示し、モデル強度と等しく異なる。 ブロックグルーピングは、Mistralの平均パスレートを最も厳しいレジストリサイズで約5倍にし、その介入を伴う小さなモデルは、中規模登録ゾーンでなければ大きなモデルより優れる。 関連ゲーティングは、昇格条件の成功率の83%を回復しながら、迅速なコストを67.8 %削減する。 スキーマの排除は、スキーマが存在する場合、100%に対して0%の呼び出しを生成しますが、プロパティポリシーベースのアプローチでは、構築によって保証できません。 共有登録調整は、調整トークンコストゼロでメソッド呼び出しへのエージェント間通信を減らす。

関連論文リスト

• MaskForge: Structure-Aware Adaptive Attacks for Jailbreaking Diffusion Large Language Models [53.05463623673949]
  MaskForgeは完全にブラックボックス対応の攻撃で、構造パターンのライブラリを最適化した検索としてdLLMのレッドチームを実行する。 攻撃成功率は79.3%であり、最強のdLLMベースラインよりも17.6%向上している。
  論文  参考訳（メタデータ） (2026-06-01T18:10:21Z)
• PatchBoard: Schema-Grounded State Mutation for Reliable and Auditable LLM Multi-Agent Collaboration [3.8505794516260337]
  PatchBoardは、エージェント間の対話を、共有された構造化状態上で検証されたパッチ突然変異に置き換える。 630回にマッチしたALFWorldでは、PatchBoardが84.6%、LangGraphが30.8%、Flockが61.6%だった。
  論文  参考訳（メタデータ） (2026-05-28T03:43:22Z)
• MemLineage: Lineage-Guided Enforcement for LLM Agent Memory [3.058164432275431]
  我々は,LLMエージェントメモリの防衛機能であるMemLineageを紹介した。 最近のコンカレントな作業は、信頼できないコンテンツを永続的なエージェントの状態に書き込むことができ、後続のセッションを命令として再入力できることを示している。 MemLineageは、これをフィルタリング問題ではなく、チェーンオブカストディ問題として扱う。
  論文  参考訳（メタデータ） (2026-05-14T06:07:54Z)
• PRISM: : Planning and Reasoning with Intent in Simulated Embodied Environments [59.07829883257003]
  5つの集合住宅の上に建設され、PRISMは300の人間認証タスクを3つの能力レベルに構成する。 PRISMはエージェントに依存しない実行可能なアクションAPIを公開し、任意のエージェントをエンドツーエンドで評価できるようにする。
  論文  参考訳（メタデータ） (2026-05-12T04:59:47Z)
• Label-Free Cross-Task LoRA Merging with Null-Space Compression [50.63908869296697]
  我々は,ラベルフリーで出力に依存しない手法であるNull-Space Compression (NSC) Mergingを紹介した。 NSCは、従来のメソッドがタスクのサブセットに収まるバランスの取れたゲインを持つ20の異種視覚タスクに対して、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） (2026-03-27T11:34:41Z)
• SuperLocalMemory: Privacy-Preserving Multi-Agent Memory with Bayesian Trust Defense Against Memory Poisoning [0.0]
  我々は、ASI06メモリ中毒を防御するマルチエージェントAIのためのローカルファーストメモリシステムであるSuperLocalMemoryを紹介する。 SuperLocalMemoryはオープンソース(MIT)で、Model Context Protocolを介して17以上の開発ツールと統合されている。
  論文  参考訳（メタデータ） (2026-02-17T12:35:23Z)
• Traversal-as-Policy: Log-Distilled Gated Behavior Trees as Externalized, Verifiable Policies for Safe, Robust, and Efficient Agents [18.383906296536185]
  Traversal-as-Policy: サンドボックス化されたOpenHandsの実行ログを単一の実行可能なGated Behavior Tree (GBT)に蒸留する 各ノードは状態条件のアクションマクロを符号化し、成功した軌道からマージチェックを行う。 実行時に、軽量なトラバーサは、子マクロに対するベースモデルの意図と一致します。
  論文  参考訳（メタデータ） (2026-01-30T16:25:08Z)
• DoVer: Intervention-Driven Auto Debugging for LLM Multi-Agent Systems [48.971606069204825]
  DoVerは、大規模言語モデル(LLM)ベースのマルチエージェントシステムのための介入駆動デバッグフレームワークである。 ターゲットの介入を通じて、アクティブな検証によって仮説生成を増強する。 DoVerは失敗試験の18～28%を成功させ、最大16%のマイルストーンを達成し、失敗仮説の30～60%を検証または否定する。
  論文  参考訳（メタデータ） (2025-12-07T09:23:48Z)
• Clone What You Can't Steal: Black-Box LLM Replication via Logit Leakage and Distillation [0.0]
  部分ロジットリークを,機能的デプロイ可能な代替モデルクローンに変換する,制約付きレプリケーションパイプラインを導入する。 6層の生徒が6層の教師モデルの隠れ状態幾何の97.6%を再現し、7.31%のパープレキシティが増加している。 4層版では17.1%高速な推論と18.1%パラメータ削減を実現している。
  論文  参考訳（メタデータ） (2025-08-31T19:38:24Z)
• Memory Injection Attacks on LLM Agents via Query-Only Interaction [49.14715983268449]
  我々は,攻撃者がエージェントのメモリバンクを直接変更できると仮定することなく,新たなメモリインジェクション攻撃(MINJA)を提案する。 攻撃者は、クエリと出力観察を通してエージェントとのみ対話することで、悪意のあるレコードをメモリバンクに注入する。 MINJAは、任意のユーザがエージェントメモリに影響を与え、リスクを強調します。
  論文  参考訳（メタデータ） (2025-03-05T17:53:24Z)

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。