論文の概要: MemTxn: A Transaction Boundary for Source-Supported Updates and Complete-State Recovery in Agent Memory
- arxiv url: http://arxiv.org/abs/2607.27834v1
- Date: Thu, 30 Jul 2026 08:15:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.450121
- Title: MemTxn: A Transaction Boundary for Source-Supported Updates and Complete-State Recovery in Agent Memory
- Title（参考訳）: MemTxn: ソース対応更新とエージェントメモリの完全状態回復のためのトランザクション境界
- Abstract要約: 我々は,回答モデル以外のガバナンス層であるMemTxnを提案する。
MemTxnはソースによって更新がサポートされているかどうかを検証する。
また、事実が矛盾した場合に可視バージョンを選択し、障害後のアプリケーション可視状態を復元する。
- 参考スコア（独自算出の注目度）: 10.45417197978482
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Persistent memory lets long-running large language model agents reuse information across sessions and tasks. Yet errors in writable memory can persist and corrupt future behavior. Existing systems improve storage and retrieval, but they do not provide a transaction boundary for reliable updates and recovery. We therefore propose MemTxn, a governance layer outside the answer model. MemTxn verifies whether an update is supported by its source. It also selects the visible version when facts conflict and restores the application-visible state after a fault. The system uses Ordered PatchTest to validate writes, a Temporal Resolver to select versions, and a durable snapshot journal to recover state. On an item-disjoint audit, MemTxn accepts all 60 supported originals and rejects all 179 hard negatives. Under persistent multi-key faults on LongMemEval-S and LoCoMo states, it restores the complete declared active map without knowing the actual physical write set. On MemoryAgentBench FactConsolidation, MemTxn achieves the highest average F1 across all twelve answer-model configurations. It outperforms Dense by 17.06--24.07 points in five representative settings.
- Abstract（参考訳）: 永続メモリは、長期にわたる大規模言語モデルエージェントがセッションやタスク間で情報を再利用することを可能にする。
しかし、書き込み可能なメモリのエラーは、将来の動作を持続し、破壊する可能性がある。
既存のシステムはストレージとリカバリを改善しているが、信頼性の高い更新とリカバリのためのトランザクション境界は提供していない。
そこで我々は,回答モデル以外のガバナンス層であるMemTxnを提案する。
MemTxnはソースによって更新がサポートされているかどうかを検証する。
また、事実が矛盾した場合に可視バージョンを選択し、障害後のアプリケーション可視状態を復元する。
システムは、書き込みの検証にOrdered PatchTest、選択したバージョンにTemporal Resolver、状態回復に耐久性のあるスナップショットジャーナルを使用する。
項目不一致の監査では、MemTxnはサポート対象のオリジナルをすべて受け入れ、179個のハードネガティブを拒絶する。
LongMemEval-SおよびLoCoMo状態の永続的なマルチキー障害の下で、実際の物理書き込みセットを知らずに、完全な宣言されたアクティブマップを復元する。
MemoryAgentBench FactConsolidationでは、MemTxnは12の応答モデル構成のうち、最も平均的なF1を達成する。
Denseの17.06--24.07点を5つの代表的な設定で上回った。
関連論文リスト
- AWM: Answerable Working Memory for Long-Document VQA Agents [57.741922050360074]
ワーキングメモリは、後に根拠づけられた回答のために、ページ検査全体にわたって回答を支持するエビデンスを実行するべきである。
本稿では,読取者が質問に答えられるか,端末の作業メモリだけで答えられるか,という診断手法である,メモリオンリーの回答可能性について紹介する。
AWM-GRPOは、テキストscMMLongBench-DocとtextscLongDocURLでRAGベースラインに対する最終回答精度を8.1および1.9ポイント改善し、応答のみのGRPOよりもメモリ損失補正率を2.7ポイント削減する。
論文 参考訳（メタデータ） (2026-08-26T10:35:25Z) - From Faulty Memories to Corrected Actions: Dependency-Guided Rollback Repair for Memory-Augmented Agents [19.125716338799545]
textbfdependency-guided rollback repairは、出所からの型付きメモリ対アクショングラフを構築し、明示的な下流依存性をトレースし、応答関連処理のみを選択的に再生する。
本手法は,3つのツール使用領域と4つのメモリ障害タイプにまたがる150ケースのベンチマークで評価する。
論文 参考訳（メタデータ） (2026-08-11T05:19:55Z) - TARL: Transaction-Aware Reliable Ledgers for Executable Memory Management in Long-Term Agents [20.123133746969398]
メモリ状態更新フレームワークであるTARLを導入し、各ステートメントを5つの実行可能なアクションのうちの1つにマップする。
TARLは、影響を受けるメモリを特定し、その時間的スコープを解決し、ソースの信頼性を比較し、受け入れ、保留、拒否された台帳を更新する。
また、粒度の細かいアクションラベルと次の状態目標を持つベンチマークであるTARL-Memについても紹介する。
論文 参考訳（メタデータ） (2026-08-04T14:02:55Z) - MemSecBench: Tracking Agent Memory Poisoning from Persistence to Consequence and Repair [11.307480451677145]
メモリシステムは、エージェントが過去のインタラクションから情報を保持、再利用することを可能にするが、悪意のあるコンテンツを持続させることもできる。
最近のベンチマークでは、エージェントメモリのセキュリティがますます調査されているが、永続性、下流の結果、選択的な修復など、同じ悪意のあるセマンティクスをトレースするケースはほとんどない。
MemSecBenchはエージェントメモリシステムのライフサイクルセキュリティのベンチマークである。
論文 参考訳（メタデータ） (2026-07-29T16:06:54Z) - MemTX: Transactional Belief Commit for Stateful Agent Memory [11.31806112920862]
LLMエージェントは、永続的な共有メモリを介してコーディネートする。
現在のエージェントメモリシステムは、受け入れられたすべての書き込みを直ちに実行可能な真実として扱う。
本稿では,MemTXについて述べる。
論文 参考訳（メタデータ） (2026-07-27T01:57:39Z) - Memory as a Controlled Process: Learned Adaptive Memory Management for LLM Agents [72.3752981234916]
大きな言語モデル(LLM)エージェントは、タスク間の経験を蓄積するために、外部メモリシステムに依存している。
メモリ操作をマルコフ決定プロセスとしてモデル化するフレームワークである制御プロセス(MemCon)としてメモリを提示する。
MemConは、複数のメモリベースラインのタスク成功率を最大15.2ポイント上回り、トークン消費量を5-20%削減している。
論文 参考訳（メタデータ） (2026-07-15T08:32:40Z) - MemOps: Benchmarking Lifecycle Memory Operations in Long-Horizon Conversations [50.24315431387575]
ライフサイクル操作のシーケンスとして会話メモリを再構成するベンチマークであるMemOpsを紹介する。
MemOpsは、それぞれのメモリイベントをトリガ、ターゲット、スコープ、状態遷移、エビデンスを指定した構造化トレースで表現する。
長いコンテキスト、検索ベース、パラメトリック、マネージドメモリシステムにわたって、MemOpsはファイナ・アンサーの精度のみを隠蔽する障害モードをアンタングルする。
論文 参考訳（メタデータ） (2026-07-14T15:33:44Z) - The Past Is Prologue: A Plug-in Controller for Selective Updates in Sequentially Evolving LLM Memory [53.50071717647285]
我々はJanusを提案する。Janusは、候補メモリの更新を受け付けるか、以前のメモリを保持するかを決定するプラグインメモリコントローラである。
Janus は Memory Momentum Trigger を使用して、メモリ更新軌道における不審な偏差を識別する。
Janusは、対応するベース更新器に対して、平均精度を+2.7から+4.6ポイント改善する。
論文 参考訳（メタデータ） (2026-06-30T04:33:18Z) - TRUSTMEM: Learning Trustworthy Memory Consolidation for LLM Agents with Long-Term Memory [11.528637007309937]
大規模言語モデル(LLM)エージェントは、拡張されたインタラクションをサポートし、有限コンテキストウィンドウを超えてパーソナライズされたアシストをサポートするために、長期記憶に依存している。
既存のメモリエージェントは、生成された書き込み、修正、削除によって外部メモリを積極的に更新する。
これらの更新は、重要な情報を省略したり、既存の記憶を破損させたり、幻覚コンテンツを導入したりする可能性がある。
本稿では,メモリ統合の信頼性向上を目的としたフレームワークであるTrustMemを提案する。
論文 参考訳（メタデータ） (2026-06-23T20:49:28Z) - MEMPROBE: Probing Long-Term Agent Memory via Hidden User-State Recovery [58.64329475683699]
我々は、長期記憶は監査可能な相互作用後のアーティファクトとして評価されるべきであると主張している。
我々は、メモリを備えたエージェントがシミュレーションユーザを支援するベンチマークであるMEMPROBEで、このビューをインスタンス化する。
私たちは、成功したアシストと回復可能なメモリが、異なる機能として振る舞うことに気付きました。
論文 参考訳（メタデータ） (2026-06-23T13:52:46Z) - Enhancing Software Engineering Through Closed-Loop Memory Optimization [50.418699819003486]
ソフトウェア工学 (SE) エージェントにおけるメモリ拡張のためのクローズドループフレームワークである ours を紹介する。
タスクに依存しない textbf ベンチマークとアノテーションのない textbf 最適化信号としての有用性を確立する。
その結果、SEエージェントは設定によって常に改善され、成功率で$uparrow5.25%、解決効率で$uparrow4.63%という絶対的なゲインが得られることが示された。
論文 参考訳（メタデータ） (2026-06-04T03:17:21Z) - 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)
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。