論文の概要: ActiveMem: Distributed Active Memory for Long-Horizon LLM Reasoning

• arxiv url: http://arxiv.org/abs/2606.10532v1
• Date: Tue, 09 Jun 2026 08:03:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.380346
• Title: ActiveMem: Distributed Active Memory for Long-Horizon LLM Reasoning
• Title（参考訳）: ActiveMem: 長期LDM推論のための分散アクティブメモリ
• Authors: Yunhan Jiang, Wenbin Duan, Shasha Guo, Liang Pang, Xiaoqian Sun, Huawei Shen,
• Abstract要約: メモリは、大規模言語モデル(LLM)エージェントが長距離推論タスクを処理できるようにするために必須である。 コア推論プロセスからエージェントメモリを分離するフレームワークであるActiveMemを提案する。 BrowseComp-PlusとGAIAの実験では、ActiveMemはオーバーヘッドを大幅に削減して最先端の精度を実現している。
• 参考スコア（独自算出の注目度）: 46.225019133047965
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Memory is essential for enabling large language model (LLM) agents to handle long-horizon reasoning tasks. Existing memory mechanisms are largely centralized, typically organizing retrieved information and interaction history within a single model context. This design imposes a fundamental trade-off: scaling reasoning trajectories risks context overload, whereas aggressive content pruning may result in irreversible information loss. Seeking a better trade-off, we draw inspiration from human cognitive systems, especially the functional complementarity between the prefrontal cortex (executive control) and the hippocampus (memory management), suggesting that such a trade-off need not be inherent, but may instead stem from centralized memory organization. To this end, we propose ActiveMem, a heterogeneous framework that decouples agent memory from the core reasoning process. Specifically, a high-level Planner utilizes distilled semantic gists to execute reasoning, while a lightweight, distributed memory system operates in parallel to actively accumulate and consolidate these gists throughout the task. Experiments on BrowseComp-Plus and GAIA show that ActiveMem achieves state-of-the-art accuracy with significantly reduced overhead, demonstrating the effectiveness of distributed active memory for long-horizon reasoning.
• Abstract（参考訳）: メモリは、大規模言語モデル(LLM)エージェントが長距離推論タスクを処理できるようにするために必須である。 既存のメモリメカニズムは、主に中央集権的であり、典型的には、検索された情報とインタラクション履歴を単一のモデルコンテキスト内で整理する。 この設計は基本的なトレードオフを課している:スケーリング推論はコンテキストオーバーロードを危険にさらすが、攻撃的なコンテンツプルーニングは不可逆的な情報損失をもたらす可能性がある。 より良いトレードオフを見据えて、人間の認知システム、特に前頭前皮質(実行制御)と海馬(記憶管理)の機能的相補性からインスピレーションを得て、そのようなトレードオフは本質的には必要ではなく、むしろ集中的な記憶組織に由来する可能性があることを示唆している。 この目的のために,エージェントメモリをコア推論プロセスから分離する異種フレームワークであるActiveMemを提案する。 具体的には、高レベルプランナーが蒸留セマンティックギストを使用して推論を行い、軽量な分散メモリシステムが並列に動作し、タスク全体を通してこれらのギストを積極的に蓄積し、統合する。 BrowseComp-Plus と GAIA の実験では、ActiveMem はオーバーヘッドを大幅に削減して最先端の精度を達成し、分散アクティブメモリによる長期水平推論の有効性を示した。

関連論文リスト

• Memory is Reconstructed, Not Retrieved: Graph Memory for LLM Agents [51.30250860677378]
  本稿では,連想記憶グラフとアクティブな再構成機構を組み合わせたフレームワークであるMRAgentを提案する。 Cue-Tag-Contentグラフ上で実行することで,メモリアクセスに直接推論を統合する。 LoCoMoベンチマークとLongMemEvalベンチマークの実験は、強いベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2026-06-04T11:29:46Z)
• Human-like Working Memory Interference in Large Language Models [13.786393462852395]
  作業記憶は人間の推論と知性の基本である。 1000億のニューロンがあるにもかかわらず、生体系と人工系は共にワーキングメモリに制限がある。 動作中のメモリタスクを完璧に解くために、2層トランスフォーマーをトレーニングすることはできるが、様々な事前訓練されたLCMは動作中のメモリ制限を示し続けている。
  論文  参考訳（メタデータ） (2026-04-01T17:19:46Z)
• From Verbatim to Gist: Distilling Pyramidal Multimodal Memory via Semantic Information Bottleneck for Long-Horizon Video Agents [78.30630000529133]
  本稿ではファジィトレース理論に基づくピラミッド型マルチモーダルメモリアーキテクチャMM-Memを提案する。 MM-Memメモリは階層的に感覚バッファ、エピソードストリーム、シンボリックに構造する。 実験により、MM-Memがオフラインタスクとストリーミングタスクの両方で有効であることが確認された。
  論文  参考訳（メタデータ） (2026-03-02T05:12:45Z)
• ActMem: Bridging the Gap Between Memory Retrieval and Reasoning in LLM Agents [14.695250837875454]
  本稿では,ActMemと呼ばれる新しい動作可能なメモリフレームワークを提案する。 ActMemは非構造化対話履歴を構造化因果グラフと意味グラフに変換する。 エージェントは暗黙の制約を推論し、過去の状態と現在の意図の間の潜在的な衝突を解決することができる。
  論文  参考訳（メタデータ） (2026-02-04T00:54:53Z)
• Memory Matters More: Event-Centric Memory as a Logic Map for Agent Searching and Reasoning [55.251697395358285]
  大規模言語モデル(LLM)は、環境を推論し、計画し、相互作用するインテリジェントエージェントとして、ますます多くデプロイされている。 長期のシナリオに効果的にスケールするには、そのようなエージェントの重要な機能は、過去の経験を保持し、整理し、取り出すことができるメモリメカニズムである。 イベント理論にインスパイアされたイベント中心のメモリフレームワークであるCompassMemを提案する。
  論文  参考訳（メタデータ） (2026-01-08T08:44:07Z)
• MemGen: Weaving Generative Latent Memory for Self-Evolving Agents [57.1835920227202]
  本稿では,エージェントに人間的な認知機能を持たせる動的生成記憶フレームワークであるMemGenを提案する。 MemGenは、エージェントが推論を通して潜在記憶をリコールし、増大させ、記憶と認知の密接なサイクルを生み出すことを可能にする。
  論文  参考訳（メタデータ） (2025-09-29T12:33:13Z)
• 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。