論文の概要: Retain or Consolidate? Budget-Dependent Operator Selection for Language Agent Memory

• arxiv url: http://arxiv.org/abs/2607.17545v1
• Date: Mon, 20 Jul 2026 04:43:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.500777
• Title: Retain or Consolidate? Budget-Dependent Operator Selection for Language Agent Memory
• Title（参考訳）: 言語エージェント記憶のための予算依存型演算子選択
• Authors: Qingcan Kang, Mingyang Liu, Shixiong Kai, Kaichao Liang, Zhentao Tang, Yuqi Cui, Tao Zhong, Mingxuan Yuan,
• Abstract要約: 既存のシステムは主にメモリ保持とメモリ統合という2つの戦略に従っている。 この決定は、各オペレータのユーティリティを、保持によって省略された証拠に対するカバレッジ効果に分解することで定式化します。 LongMemEvalでは、厳格な予算では絶対精度を最大48%向上させ、緩やかな予算では維持が望ましい。
• 参考スコア（独自算出の注目度）: 20.66995011221925
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Language agents depend on memory across interactions. However, the limited context windows of large language models (LLMs) and their inference costs constrain how much memory can be used at once. Existing systems mainly follow two strategies: memory retention and memory consolidation. Retention keeps raw records and preserves exact details, but relevant evidence may not fit under a tight budget; consolidation compresses and combines records, improving coverage per token but risking the loss of query-critical details. Neither strategy is universally preferable. This raises two central questions: when should consolidation replace retention, and which operator -- Merge, Abstract, or Rewrite -- should be selected? We formalize this decision by decomposing each operator's utility into a coverage effect on evidence omitted by retention and a signed replacement effect on raw evidence that already fits. Their balance explains why the preferred action changes with relative budget pressure. We implement this mechanism with Offline Abstraction-Safety (OAS), a lightweight learner that estimates action utilities from pre-generation features with held-out harm calibration. The public LongMemEval and LoCoMo benchmarks show the same budget-dependent pattern. On LongMemEval, consolidation improves absolute accuracy by up to 48% under tight budgets, whereas retention is preferable under loose budgets; LoCoMo replicates this crossover at a smaller budget, consistent with its shorter evidence. On both datasets, cross-note abstraction and merging generally outperform local rewriting when compression is necessary.
• Abstract（参考訳）: 言語エージェントは相互作用間のメモリに依存する。 しかし、大きな言語モデル(LLM)の限られたコンテキストウィンドウとその推論コストは、一度にどれだけのメモリを使用できるかを制限する。 既存のシステムは主にメモリ保持とメモリ統合という2つの戦略に従っている。 保存は生の記録を保持し、正確な詳細を保存するが、関連する証拠は厳格な予算に収まらないかもしれない。 どちらの戦略も普遍的に好ましいものではない。 統合は保持を置き換えるべきで、どのオペレーター -- Merge、Abstract、Rewrite -- を選択するべきか? 我々は、この決定を、各オペレータの効用を、保持によって省略された証拠に対するカバレッジ効果と、すでに適合している生の証拠に対する署名された置換効果に分解することで、形式化する。 彼らのバランスは、望ましい行動が相対的な予算圧力で変化する理由を説明する。 本機構は,プライジェネレーション前の特徴量から動作ユーティリティを推定する軽量学習システムであるオフライン抽象化セーフティ(OAS)を用いて実装する。 パブリックなLongMemEvalとLoCoMoベンチマークは同じ予算依存のパターンを示している。 LongMemEvalでは、コンソリデーションは厳格な予算の下では最大48%の精度で絶対的精度を向上するが、リテンションは緩やかな予算で好まれる。 どちらのデータセットでも、クロスノートの抽象化とマージは圧縮が必要な場合、一般的にローカルリライトよりも優れています。

関連論文リスト

• What to Keep, What to Forget: A Rate--Distortion View of Memory Compaction in LLMs and Agents [1.0742675209112622]
  4つの研究コミュニティがそれぞれ,大規模言語メモリのコンパクト化を学んでいることを示す。 我々は、これらが1つの問題の例であると主張する。 このレンズを1つのコンパクト化目標と層に依存しない下界で正確にし、スタック全体からメソッドを一様に分類する7軸分類法を構築するために使用する。
  論文  参考訳（メタデータ） (2026-07-09T01:15:03Z)
• MemRefine: LLM-Guided Compression for Long-Term Agent Memory [67.62350557461352]
  大規模言語モデル (LLM) エージェントは、長期的相互作用を通じて操作されることがますます期待されている。 相互作用が蓄積されるにつれて、メモリストアはバウンドなしで成長し、ストレージコストを増大させ、最も有用な証拠を収集することによって検索を低下させる冗長なエントリを埋める。 これは特に、ハードメモリの予算を持つリソース制約のあるプラットフォームに制限されている。 本稿では,既存のメモリストアを固定予算内に保持し,将来的なインタラクションに有用な情報を保存するための,ストレージ予算のメモリ管理を提案する。
  論文  参考訳（メタデータ） (2026-06-11T10:46:17Z)
• SAM: State-Adaptive Memory for Long-Horizon Reasoning Agent [51.274445160155864]
  ロングホライゾンのエージェント推論は、思考、ツールコール、観察、部分的な結論を含む長い相互作用履歴を通して行動するために大きな言語モデルを必要とする。 既存のアプローチでは、インタラクション履歴の切り抜き、短いサロゲートに圧縮、あるいは再利用のために選択した部分を取得することで、この問題に対処している。 我々は、インテント駆動リコールのための生のトラジェクトリページを保持しながら、継続的なインタラクションをコンパクトなメモリキューに統合するスタンドアロンフレームワークであるState-Adaptive Memoryを提案する。
  論文  参考訳（メタデータ） (2026-05-23T08:37:16Z)
• Remember the Decision, Not the Description: A Rate-Distortion Framework for Agent Memory [120.68750043918249]
  記憶は、決定にとって重要な区別を、記述ではなく保存すべきであることを示す。 DeMemは,共有状態が決定競合を誘発することを示すデータに対してのみ,分割を洗練させるオンラインメモリ学習システムである。
  論文  参考訳（メタデータ） (2026-05-11T17:20:58Z)
• When Stored Evidence Stops Being Usable: Scale-Conditioned Evaluation of Agent Memory [4.425240080125479]
  本稿では,エビデンス保存型成長下でのエージェントメモリのスケールコンディション評価プロトコルを提案する。 各クエリに対して、タスクエビデンスが固定され、無関係なセッションが追加される。 このプロトコルはエージェントメモリトラジェクトリをログし、4つの診断結果を報告する。
  論文  参考訳（メタデータ） (2026-05-08T06:22:31Z)
• Learning Query-Aware Budget-Tier Routing for Runtime Agent Memory [56.0946692457838]
  BudgetMemは、明示的でクエリ対応のパフォーマンスコスト管理のためのランタイムエージェントメモリフレームワークである。 軽量ルータは、タスク性能とメモリ構築コストのバランスをとるために、モジュール間の予算層ルーティングを実行する。 LoCoMo、LongMemEval、HotpotQAの他、BudgetMemはパフォーマンスが優先されるときに、強力なベースラインを超える。
  論文  参考訳（メタデータ） (2026-02-05T18:57:09Z)
• MemRec: Collaborative Memory-Augmented Agentic Recommender System [57.548438733740504]
  我々はメモリ管理から推論をアーキテクチャ的に分離するフレームワークであるMemRecを提案する。 MemRecは動的コラボレーティブメモリグラフを管理する専用のLM_Memを導入した。 4つのベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-01-13T18:51:16Z)

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。