論文の概要: A-TMA: Decoupling State-Aware Memory Failures in Long-Term Agent Memory
- arxiv url: http://arxiv.org/abs/2607.01935v1
- Date: Thu, 02 Jul 2026 09:28:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-03 19:45:08.761159
- Title: A-TMA: Decoupling State-Aware Memory Failures in Long-Term Agent Memory
- Title（参考訳）: A-TMA: 長期エージェントメモリにおける状態認識メモリ障害の分離
- Authors: Zitong Shi, Yixuan Tang, Anthony Kum Hoe Tung,
- Abstract要約: 我々は,記憶バンク内に共存する古い,現在の,遷移の事実が検索中に混在している状態調整障害であるemphghostメモリについて検討し,その解答モデルを誤導する。
我々は,既存のメモリシステムのための状態認識オーバレイであるATMAを提案する。ATMAは,銀行内における過大評価とトランジションの記録を保持し,現在,歴史,およびトランジションラベルをQAに公開する。
- 参考スコア（独自算出の注目度）: 7.7803190371583
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long term memory lets LLM agents act as persistent assistants, but user facts change. A useful memory system must know what is true now, what used to be true, and what changed. We study \emph{ghost memory}, a state coordination failure in which old, current, and transition facts coexist in the memory bank, remain mixed during retrieval, and mislead the answer model. We argue that memory systems should be understood and optimized from three levels: bank maintenance, retrieval, and answer time resolution. We propose ATMA, a state aware overlay for existing memory systems. ATMA keeps superseded and transition records in the bank, builds evidence packets for the query's requested state view, and exposes current, historical, and transition labels to QA. We further call for decoupled evaluation of bank, retrieval, and answer level failures, since final QA accuracy can hide where ghost memory occurs. To make this failure measurable, we build LTP (LoCoMo Temporal Plus), a conflict heavy benchmark for ghost memory, and evaluate on LoCoMo for long conversation generalization. On LTP, Graphiti+ATMA improves conflict accuracy by 0.240 absolute over Graphiti. On LoCoMo, Graphiti+ATMA raises temporal F1 from 0.0295 to 0.1705. The gains are host dependent, but they indicate that explicit state roles can reduce memory failures hidden by final QA accuracy.
- Abstract（参考訳）: 長期記憶により、LLMエージェントは永続的なアシスタントとして機能するが、ユーザの事実は変わる。
有用なメモリシステムは、現在何が真実なのか、以前何が真実であったのか、何が変わったのかを知る必要がある。
我々は,メモリバンク内に共存する古い,現在の,遷移の事実が検索中に混在している状態調整障害である \emph{ghost memory} について検討し,解答モデルを誤導する。
メモリシステムは、銀行のメンテナンス、検索、応答時間解決という3つのレベルから理解し、最適化されるべきである、と我々は主張する。
本稿では,既存のメモリシステムのための状態認識オーバレイであるATMAを提案する。
ATMAは銀行内のレコードに取って代わり、要求された状態ビューのエビデンスパケットを構築し、現在の、歴史的な、トランジションラベルをQAに公開している。
さらに、最終QA精度はゴーストメモリの発生箇所を隠蔽できるため、銀行、検索、回答レベルの障害の分離評価を求める。
この障害を計測するために,ゴーストメモリの競合重度ベンチマークであるLTP(LoCoMo Temporal Plus)を構築し,長期会話の一般化のためのLoCoMoの評価を行った。
LTPでは、Graphiti+ATMAはGraphitiのコンフリクト精度を0.240絶対的に向上させる。
LoCoMoでは、Graphiti+ATMAは一時F1を0.0295から0.1705に上昇させる。
ゲインはホストに依存しているが、明示的な状態の役割は最終的なQA精度によって隠されたメモリ障害を減らす可能性があることを示している。
関連論文リスト
- MemSyco-Bench: Benchmarking Sycophancy in Agent Memory [32.49512092540906]
MemSyco-Benchは、エージェントシステムにおけるメモリ誘起性を評価するためのベンチマークである。
MemSyco-Benchは、いつメモリが決定に影響を及ぼすか、どのように有効なメモリを使用するかを測定する。
論文 参考訳（メタデータ） (2026-07-01T15:30:33Z) - AdaMem: Learning What to Remember for Personalized Long-Horizon LLM Agents [79.03892269184145]
我々は、記憶に値するものはロール依存であり、 textbfAdaMem (Adaptive Memory)を提案する。
AdaMemは、メモリ容量をtextbf9%削減しながら、均一なMem0ベースライン上で textbf+9.0% まで精度を向上する。
論文 参考訳（メタデータ） (2026-06-19T06:35:52Z) - REAL: A Reasoning-Enhanced Graph Framework for Long-Term Memory Management of LLMs [17.526686616588794]
大きな言語モデル(LLM)は、長い時間をかけてユーザーと対話することがますます期待されている。
LLMは過去のすべてのインタラクションを保持することができず、履歴情報の保存、更新、検索には長期記憶管理が不可欠である。
REALは長期会話記憶を時間的かつ信頼性に配慮したプロパティグラフとして構成する。
論文 参考訳（メタデータ） (2026-06-09T10:53:10Z) - WorldMemArena: Evaluating Multimodal Agent Memory Through Action-World Interaction [72.1620416874118]
マルチモーダルな言語モデルは、長距離エージェントとしてますます多くデプロイされている。
既存のベンチマークは、静的対話上のリコールを測定し、メモリを1つのタスクの精度に分解し、キャプションに対する視覚的な観察を減らす。
マルチモーダルエージェントメモリを,観測可能な4段階ライフサイクルを持つアクションワールドインタラクションループとして定式化する。
論文 参考訳（メタデータ） (2026-05-28T04:27:20Z) - MemGuard: Preventing Memory Contamination in Long-Term Memory-Augmented Large Language Models [56.31411457917676]
本稿では,メモリ構築と検索において,機能的メモリ境界を保存するタイプアウェアメモリフレームワークであるMemGuardを紹介する。
幻覚と長期会話のベンチマーク全体で、MemGuardはメモリの信頼性を最大28.27%向上し、メモリトークンは以前の方法より5.8倍少ない。
論文 参考訳（メタデータ） (2026-05-27T06:04:19Z) - Is Agent Memory a Database? Rethinking Data Foundations for Long-Term AI Agent Memory [3.263386002412657]
長時間稼働するAIエージェントは永続的なメモリを必要とする。
現在のエージェントメモリシステムとデータベースパラダイムはメモリを記憶として扱う。
私たちのビジョンでは、長期エージェントメモリは新しいデータ管理ワークロードです。
論文 参考訳（メタデータ） (2026-05-25T18:22:42Z) - Causal Intervention-Based Memory Selection for Long-Horizon LLM Agents [0.33842793760651557]
制御された介入の下で,候補記憶がモデル応答に与える影響を推定する因果記憶選択手法を提案する。
以上の結果から,CMIは,信頼性の高い長期記憶には関連性のみではなく,因果的有用性に基づくコンテキスト選択が必要であることが示唆された。
論文 参考訳（メタデータ） (2026-05-17T20:21:55Z) - From Recall to Forgetting: Benchmarking Long-Term Memory for Personalized Agents [38.52713500119118]
Memoraは、数週間から数ヶ月のユーザ会話にまたがる長期メモリベンチマークです。
ベンチマークでは、記憶、推論、レコメンデーションの3つのメモリグラウンドタスクを評価している。
FAMA(Forgetting-Aware Memory Accuracy)は、古いメモリや無効メモリへの依存を罰するメトリクスである。
論文 参考訳（メタデータ） (2026-04-21T21:31:01Z) - 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) - MemoryVLA: Perceptual-Cognitive Memory in Vision-Language-Action Models for Robotic Manipulation [59.31354761628506]
このようなタスクは本質的にマルコフ的ではないが、主流のVLAモデルはそれを見落としているため、ロボット操作には時間的コンテキストが不可欠である。
本稿では,長距離ロボット操作のためのコグニション・メモリ・アクション・フレームワークであるMemoryVLAを提案する。
本稿では,3つのロボットを対象とした150以上のシミュレーションと実世界のタスクについて評価する。
論文 参考訳（メタデータ） (2025-08-26T17:57:16Z)
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。