論文の概要: From Signals to Structure: How Memory Architecture Drives Language Emergence in LLM Agents

• arxiv url: http://arxiv.org/abs/2607.00233v1
• Date: Tue, 30 Jun 2026 22:20:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.654696
• Title: From Signals to Structure: How Memory Architecture Drives Language Emergence in LLM Agents
• Title（参考訳）: 信号から構造へ:LLMエージェントにおけるメモリアーキテクチャによる言語創発の促進
• Authors: Yashar Talebirad, Eden Redman, Ali Parsaee, Osmar R. Zaiane,
• Abstract要約: ルイス信号ゲームでは、送信側と受信側は、その相互作用履歴のみを使用して、コード上で調整しなければならない。 LLMエージェントを用いて,チャネル構成の異なる5つのメモリアーキテクチャについて検討した。 メモリアーキテクチャは、エージェントがインタラクション履歴を安定した規約に変換するかどうかを決定する。
• 参考スコア（独自算出の注目度）: 0.09999629695552194
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: How do two agents invent a shared language from scratch? In a Lewis signaling game, a sender and receiver must coordinate on a code using only their interaction history. We study five memory architectures across varying channel configurations with LLM agents and find that memory architecture matters more than channel capacity. Agents with a persistent private notebook benefit from surplus channel capacity and avoid the high-capacity collapse seen in stateless agents, achieving the most reliable coordination ($0.867 \pm 0.023$ at capacity = 25). Stateless agents peak at moderate capacity and then degrade as the vocabulary grows beyond what a rolling context window can track The notebook externalizes learned conventions, freeing agents from having to re-derive codes each round. An information bottleneck-inspired argument predicts an optimal capacity equal to the number of objects. Instead, the bottleneck (capacity = 8) proves to be a fragility point, and surplus capacity is generally better. We show that channel capacity alone cannot predict coordination; memory architecture determines whether agents turn interaction history into stable conventions, and both dimensions are needed to understand how signals become language.
• Abstract（参考訳）: 2人のエージェントが共有言語をスクラッチからどのように発明するか? ルイス信号ゲームでは、送信側と受信側は、その相互作用履歴のみを使用して、コード上で調整しなければならない。 LLMエージェントを用いて, チャネル構成の異なる5つのメモリアーキテクチャについて検討し, メモリアーキテクチャがチャネル容量以上のものであることを確認した。 永続的なプライベートノートを持つエージェントは、余剰チャネル容量の恩恵を受け、ステートレスエージェントに見られる高容量の崩壊を回避し、最も信頼性の高い調整(0.867 \pm 0.023$ at capacity = 25)を達成する。 ステートレスエージェントは、適度なキャパシティでピークに達し、その後、ボキャブラリがローリングコンテキストウィンドウが追跡できる範囲を超えて成長するにつれて、分解される。 情報ボトルネックに着想を得た議論は、オブジェクトの数に等しい最適なキャパシティを予測する。 その代わり、ボトルネック(キャパシティ=8)は脆弱な点であることが証明され、余剰のキャパシティは概して優れている。 メモリアーキテクチャは、エージェントが相互作用履歴を安定した規則に変換するかどうかを決定し、どちらの次元も信号がどのように言語になるかを理解するために必要である。

関連論文リスト

• 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)
• ByteRover: Agent-Native Memory Through LLM-Curated Hierarchical Context [7.906778920268216]
  本稿では,メモリパイプラインを反転させるエージェントネイティブメモリアーキテクチャByteRoverを提案する。 ByteRoverは、ドメイン、トピック、サブトピック、エントリとして整理されたファイルベースの知識グラフである階層的コンテキストツリーにおける知識を表す。 LoCoMoとLongMemEvalの実験は、ByteRoverがLoCoMoの最先端の精度とLongMemEvalの競争結果を達成することを示した。
  論文  参考訳（メタデータ） (2026-04-02T04:15:42Z)
• 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)
• CAM: A Constructivist View of Agentic Memory for LLM-Based Reading Comprehension [55.29309306566238]
  現在のLarge Language Models (LLM) は、長文文書を解釈する際に圧倒的な情報量に直面している。 この課題は、バニラLSMを自律的な読み出しエージェントに高めることができる凝集性メモリモジュールの必須性を高める。 我々はジャン・ピアジェの構成主義理論(Constructivist Theory)からインスピレーションを得て、エージェントメモリの3つの特性(構造化スキーマ、フレキシブルな同化、動的調節)を表現した。
  論文  参考訳（メタデータ） (2025-10-07T02:16:30Z)
• 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。