論文の概要: GateMem: Benchmarking Memory Governance in Multi-Principal Shared-Memory Agents

• arxiv url: http://arxiv.org/abs/2606.18829v1
• Date: Wed, 17 Jun 2026 09:06:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:51.075781
• Title: GateMem: Benchmarking Memory Governance in Multi-Principal Shared-Memory Agents
• Title（参考訳）: GateMem: マルチプリンシパル共有メモリエージェントにおけるメモリガバナンスのベンチマーク
• Authors: Zhe Ren, Yibo Yang, Yimeng Chen, Zijun Zhao, Benshuo Fu, Zhihao Shu, Bingjie Zhang, Yangyang Xu, Dandan Guo, Shuicheng Yan,
• Abstract要約: GateMemはマルチプリンシパル共有メモリエージェントのベンチマークである。 医療、事務、教育、家庭の領域にまたがる。 強力なユーティリティ、堅牢なアクセス制御、信頼性のある忘れを同時に実現する方法は存在しない。
• 参考スコア（独自算出の注目度）: 61.50171793000712
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Memory benchmarks for LLM agents largely assume single-user settings, leaving shared assistants for hospitals, workplaces, campuses, and households understudied. In these deployments, multiple principals write to a common memory pool and query it under different roles, scopes, and relationships, so memory quality requires governance as well as recall. We introduce GateMem, a benchmark for multi-principal shared-memory agents. GateMem jointly evaluates utility for legitimate long-horizon requests with state updates, access control across contextual authorization boundaries, and agent-facing active forgetting after explicit deletion requests. It spans medical, office, education, and household domains, with long-form multi-party episodes, incremental memory injection, hidden checkpoints, structured judging, and leak-target annotations. Across diverse baselines and backbone models, no method simultaneously achieves strong utility, robust access control, and reliable forgetting. Long-context prompting often yields the best governance score at high token cost, while retrieval-based and external-memory methods reduce cost yet still leak unauthorized or deleted information. These results show current memory agents remain far from reliable shared institutional deployment.
• Abstract（参考訳）: LLMエージェントのメモリベンチマークは、主にシングルユーザー設定を前提としており、病院、職場、キャンパス、家庭での共有アシスタントが検討されている。 これらのデプロイメントでは、複数のプリンシパルが共通のメモリプールに書き込み、異なる役割、スコープ、リレーションの下でクエリする。 マルチプリンシパル共有メモリエージェントのベンチマークであるGateMemを紹介する。 GateMemは、状態更新、コンテキスト認証境界を越えたアクセス制御、明示的な削除要求の後にエージェントが向き合うアクティブな忘れを伴って、正当なロングホライゾンリクエストのユーティリティを共同で評価する。 医療、オフィス、教育、家庭ドメインにまたがり、長期にわたる複数パーティのエピソード、インクリメンタルメモリインジェクション、隠れたチェックポイント、構造化された判断、リークターゲットアノテーションがある。 多様なベースラインとバックボーンモデルにまたがって、強力なユーティリティ、堅牢なアクセス制御、信頼性の高い忘れを同時に達成するメソッドはない。 長いコンテキストのプロンプトは、高いトークンコストで最高のガバナンススコアを得るのに対して、検索ベースおよび外部メモリメソッドはコストを削減しますが、権限のない情報や削除された情報をリークします。 これらの結果は、現在のメモリエージェントが信頼性のある共有機関の配置から遠く離れていることを示している。

関連論文リスト

• SubtleMemory: A Benchmark for Fine-Grained Relational Memory Discrimination in Long-Horizon AI Agents [38.778004697710855]
  本稿では,長期にわたるAIエージェントにおける微粒なリレーショナルメモリ識別のためのベンチマークであるSubtleMemoryを紹介する。 我々は,6つのスタンドアロンメモリシステム,ネイティブメモリモジュールを持つ2つのClawスタイルエージェント,プラグインメモリモジュールを持つ3つのClawスタイルエージェントを評価した。
  論文  参考訳（メタデータ） (2026-06-04T06:43:11Z)
• 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)
• Learning to Remember: End-to-End Training of Memory Agents for Long-Context Reasoning [18.621823772319154]
  本稿では,メモリ操作と質問応答を一つのポリシーで統一するエンドツーエンド強化学習フレームワークを提案する。 UMAは、グローバルコンテキストのためのコンパクトなコアサマリと、明示的なCRUDをサポートする構造化メモリバンクという、二重メモリ表現を維持している。 Ledger-QA、Test-Time Learning、そしてCurcurate Retrievalにまたがる13のデータセットのうち、UMAは動的推論と学習タスクの長いコンテキストとRAGベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2026-02-13T16:54:23Z)
• 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)
• 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)
• Memory-R1: Enhancing Large Language Model Agents to Manage and Utilize Memories via Reinforcement Learning [89.55738101744657]
  大規模言語モデル(LLM)は、幅広いNLPタスクで印象的な機能を示しているが、基本的にはステートレスである。 本稿では,LLMに外部メモリを積極的に管理・活用する機能を備えた強化学習フレームワークであるMemory-R1を提案する。
  論文  参考訳（メタデータ） (2025-08-27T12:26:55Z)

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。