論文の概要: AdaMEM: Test-Time Adaptive Memory for Language Agents
- arxiv url: http://arxiv.org/abs/2606.05684v1
- Date: Thu, 04 Jun 2026 04:06:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-05 22:39:44.548109
- Title: AdaMEM: Test-Time Adaptive Memory for Language Agents
- Title（参考訳）: AdaMEM: 言語エージェントのためのテスト時間適応メモリ
- Authors: Yunxiang Zhang, Yiheng Li, Ali Payani, Lu Wang,
- Abstract要約: 本稿では,エージェントテスト時間適応のための新しいフレームワークであるAdaptive Memory Agent (AdaMEM)を提案する。
モデルパラメータをオンラインで更新することなく、AdaMEMはハイブリッドメモリアーキテクチャを介してエージェントの振る舞いを適用する。
AdaMEMは静的メモリベースラインを著しく上回り、ALFWorldでは13%、WebShopでは11%の相対的なゲインを達成している。
- 参考スコア（独自算出の注目度）: 27.178795834085296
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A central challenge for language agents is utilizing past experience to adapt to dynamic test-time conditions. While recent work demonstrates the promise of agentic memory mechanisms, most systems restrict retrieval to episode initiation. Consequently, agents are forced to rely on static guidance that becomes increasingly misaligned as long-horizon tasks unfold. To address this rigidity, we propose the Adaptive Memory Agent (AdaMEM), a novel framework for agent test-time adaptation. Without updating model parameters online, AdaMEM adapts agent behavior via a hybrid memory architecture: it maintains a long-term trajectory memory of raw experiences collected offline while generating dynamic short-term strategy memory on-the-fly to guide decision-making. This mechanism enables the trade-off between token efficiency and adaptability across varying inference-time compute levels. Empirically, AdaMEM significantly outperforms static memory baselines, achieving relative gains of up to 13% on ALFWorld and 11% on WebShop, with consistent leading performance extending to agentic search on HotpotQA. To further enhance this adaptation, we develop STEP-MFT, a Step-wise Memory Fine-Tuning technique that trains the policy to synthesize high-quality strategies from retrieved experiences, yielding additional performance gains. Our work establishes a new scaling dimension for agentic memory, supporting continuous reasoning and self-evolution post-deployment in real-world environments. Our code is available at https://github.com/yunx-z/AdaMEM.
- Abstract（参考訳）: 言語エージェントにとっての中心的な課題は、過去の経験を利用して動的なテスト時間条件に適応することだ。
最近の研究はエージェント記憶機構の可能性を実証しているが、ほとんどのシステムは検索をエピソード開始に制限している。
その結果、エージェントは、長い水平タスクが展開するにつれて、ますます不一致になる静的ガイダンスに頼らざるを得なくなる。
この剛性に対処するため,エージェントテスト時間適応のための新しいフレームワークであるAdaptive Memory Agent (AdaMEM)を提案する。
AdaMEMは、オンラインでモデルパラメータを更新することなく、ハイブリッドメモリアーキテクチャを介してエージェントの振る舞いを適応する。
このメカニズムは、トークン効率と様々な推論時間計算レベル間の適応性の間のトレードオフを可能にする。
AdaMEMは、ALFWorldで13%、WebShopで11%、HotpotQAでエージェント検索まで一貫したパフォーマンスで、静的メモリベースラインを大幅に上回っている。
この適応をさらに強化するため,Step-wise Memory Fine-Tuning技術であるSTEP-MFTを開発した。
我々の研究はエージェントメモリのための新しいスケーリングディメンションを確立し、実環境における継続的推論と自己進化後デプロイをサポートします。
私たちのコードはhttps://github.com/yunx-z/AdaMEM.comで利用可能です。
関連論文リスト
- SE-GA: Memory-Augmented Self-Evolution for GUI Agents [17.051355070847166]
自己進化GUIエージェント(Self-Evolving GUI Agent、SE-GA)は、階層型メモリ構造と反復的自己改善機構を統合する新しいフレームワークである。
継続的学習を保証するため、メモリ拡張自己進化(MASE)を導入します。
論文 参考訳（メタデータ） (2026-05-16T08:51:57Z) - Shifting Adaptation from Weight Space to Memory Space: A Memory-Augmented Agent for Medical Image Segmentation [18.026494321724943]
重み空間からメモリ空間への適応をシフトさせるメモリ拡張セグメンテーションエージェント(MemSeg-Agent)を提案する。
MemSeg-Agentは、軽量な静的、数ショット、テスト時のワーキングメモリを備えた固定バックボーンを条件とする。
4つのパブリックデータセットの実験は、強いパフォーマンスとドメインシフトに対する堅牢性を示している。
論文 参考訳（メタデータ） (2026-03-06T03:49:23Z) - Darwinian Memory: A Training-Free Self-Regulating Memory System for GUI Agent Evolution [18.68532215387754]
MLLM(Multimodal Large Language Model)エージェントはグラフィカルユーザインタフェース(GUI)の自動化を促進するが、長期にわたるクロスアプリケーションタスクに苦労する。
既存のパラダイムは、高レベルのインテントと低レベルの実行のミスマッチに苦しむ、動的GUI環境への適応に苦慮している。
本研究では,動的エコシステムとしてメモリを構築する自己進化型アーキテクチャであるDarwinian Memory System (DMS)を提案する。
論文 参考訳（メタデータ） (2026-01-30T04:01:21Z) - 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) - 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) - Memp: Exploring Agent Procedural Memory [72.41472703974935]
LLM(Large Language Models)ベースのエージェントは様々なタスクをこなすが、静的パラメータで手動で設計または絡み合うような不安定なプロシージャメモリに悩まされる。
本稿では,過去のエージェントの軌跡をステップバイステップの細粒度と高レベルなスクリプトライクな抽象化の両方に蒸留するMempを提案する。
メモリレポジトリが洗練されるにつれて、エージェントは着実に高い成功率と類似タスクの効率を達成できることを示す。
論文 参考訳（メタデータ） (2025-08-08T16:20:56Z) - SURGEON: Memory-Adaptive Fully Test-Time Adaptation via Dynamic Activation Sparsity [30.260783715373382]
テスト時間適応(TTA)は、未ラベルのターゲットデータにオンラインで適応することで、ディープモデルの性能を向上させるために出現している。
しかし、特にリソース制約のある端末におけるメモリコストは、ほとんどの後方プロパゲーションベースのTTAメソッドの効果的な展開を妨げる。
メモリの制約に対処するため,SURGEONを導入する。
論文 参考訳（メタデータ） (2025-03-26T09:27:09Z) - 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)
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。