論文の概要: AutoMem: Automated Learning of Memory as a Cognitive Skill

• arxiv url: http://arxiv.org/abs/2607.01224v1
• Date: Wed, 01 Jul 2026 17:57:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:08.020424
• Title: AutoMem: Automated Learning of Memory as a Cognitive Skill
• Title（参考訳）: AutoMem: 認知スキルとしてのメモリの自動学習
• Authors: Shengguang Wu, Hao Zhu, Yuhui Zhang, Xiaohan Wang, Serena Yeung-Levy,
• Abstract要約: 記憶の専門知識は学習したスキルであることを示す。 メモリ管理の2つの軸を自動化するフレームワークであるAutoMemを紹介する。 その結果,メモリ管理は独立して学習可能なスキルであることが示唆された。
• 参考スコア（独自算出の注目度）: 63.07128029793901
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Memory expertise is a learned skill: knowing what to encode, when to retrieve, and how to organize knowledge--a capacity known in cognitive science as metamemory. We bring this perspective to LLMs by treating memory management as a trainable skill. We promote file-system operations to first-class memory actions alongside task actions, letting the model itself decide how to manage its memory. This memory skill improves along two axes: the structure that supports it (prompts, file schemas, action vocabulary), and the proficiency of the model exercising it. Both axes resist manual optimization: episodes in long-horizon tasks run for thousands of steps, and a single memory mistake can hide long before it surfaces, making human review of full trajectories impractical. We introduce AutoMem, a framework that automates both axes. In the first loop, a strong LLM reviews complete agent trajectories and iteratively revises the memory structure that shapes how the agent interacts with its memory files. In the second loop, the agent's own good memory decisions are identified from many episodes and used as training signal to sharpen the model's memory proficiency directly. Across three procedurally generated long-horizon games (Crafter, MiniHack, and NetHack), optimizing memory alone--without modifying the model's task-action behavior--improved the base agent's performance ~2x-4x, bringing a 32B open-weight model competitive with frontier systems such as Claude Opus 4.5 and Gemini 3.1 Pro Thinking. Our results show that memory management is an independently learnable skill, and a high-leverage objective yielding large gains on long-horizon tasks.
• Abstract（参考訳）: 記憶の専門知識とは、何をエンコードするか、いつ取得するか、知識を組織化するかを知ること、すなわち、メタメモリとして知られる認知科学で知られている能力である。 メモリ管理をトレーニング可能なスキルとして扱うことで、この視点をLLMにもたらします。 ファイルシステム操作をタスクアクションと並行してファーストクラスのメモリアクションに促進し、モデル自身がメモリの管理方法を決定する。 このメモリスキルは、それをサポートする構造(プロンプト、ファイルスキーマ、アクション語彙)と、それを実行するモデルの習熟度という、2つの軸に沿って改善される。 どちらの軸も手動の最適化に抵抗する: 長い水平タスクのエピソードは何千ステップも実行され、単一のメモリミスが現れるずっと前に隠されるため、人間の完全な軌道のレビューは現実的ではない。 両方の軸を自動化するフレームワークであるAutoMemを紹介します。 最初のループでは、強力なLLMが完全なエージェントの軌跡をレビューし、エージェントがそのメモリファイルとどのように相互作用するかを形作るメモリ構造を反復的に修正する。 第2ループでは、エージェント自身の優れたメモリ決定が多くのエピソードから特定され、トレーニング信号として使用され、モデルのメモリ能力を直接向上する。 3つのプロシージャで生成されたロングホライゾンゲーム(Crafter、MiniHack、NetHack)の中で、メモリのみを最適化し、モデルのタスクアクション動作を変更することなく、ベースエージェントのパフォーマンスを2x-4xに改善し、クロードオプス4.5やジェミニ3.1 Pro Thinkingのようなフロンティアシステムと競合する32Bのオープンウェイトモデルをもたらした。 以上の結果から,メモリ管理は独立に学習可能なスキルであり,長期的タスクにおいて高い平均目標が大きな利益をもたらすことが示唆された。

関連論文リスト

• AdMem: Advanced Memory for Task-solving Agents [13.611633561917513]
  大規模言語モデル(LLM)はツール使用エージェントとしての約束を示すが、知識の記憶、整理、再利用を必要とする長期的タスクには制限がある。 本稿では,短期記憶と長期記憶を組み合わせた2段階設計において,セマンティック,エピソード,手続き記憶を統合した統合的・自動記憶フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-05T00:11:57Z)
• MemTrain: Self-Supervised Context Memory Training [40.64801276577851]
  既存のメモリエージェントアプローチは通常、下流タスクで強化学習を施したエンドツーエンドで訓練される。 MemTrainは、LLMエージェントのコンテキストメモリ能力を高めるための自己教師型トレーニングフレームワークである。 MemTrainは、異なるモデル間のダウンストリームメモリ集約推論性能を一貫して改善する。
  論文  参考訳（メタデータ） (2026-06-02T05:56:24Z)
• AtomMem : Learnable Dynamic Agentic Memory with Atomic Memory Operation [40.1709026042412]
  本稿では,メモリ管理を動的意思決定問題として再設計するAtomMemを提案する。 教師付き微調整と強化学習を組み合わせることで、AtomMemは、メモリの振る舞いをオーケストレーションする自律的なタスク整合ポリシーを学ぶ。 3つの長期コンテキストベンチマークの実験結果から、トレーニング済みのAtomMem-8Bは、従来の静的ワークフローメモリメソッドよりも一貫して優れていたことが示されている。
  論文  参考訳（メタデータ） (2026-01-13T08:22:28Z)
• Learning How to Remember: A Meta-Cognitive Management Method for Structured and Transferable Agent Memory [31.318565330948562]
  本稿では,メタ認知メモリ抽象化法(MCMA)を提案する。 MCMAはメモリ抽象化を、一定の設計選択ではなく、学習可能な認知スキルとして扱う。 ALFWorld、ScienceWorld、BabyAIの実験では、パフォーマンス、アウト・オブ・ディストリビューションの一般化、クロスタスク転送が大幅に改善された。
  論文  参考訳（メタデータ） (2026-01-12T12:26:02Z)
• 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)
• Mem-α: Learning Memory Construction via Reinforcement Learning [20.916677456417464]
  大きな言語モデル(LLM)エージェントは、限られたコンテキストウィンドウによって制約される。 現在のメモリ拡張エージェントは、メモリ更新のための事前に定義された命令とツールに依存している。 Mem-alphaは、エージェントに複雑なメモリシステムを効果的に管理するように訓練する強化学習フレームワークである。
  論文  参考訳（メタデータ） (2025-09-30T08:02:34Z)
• 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。