論文の概要: CrystalMem: Elastic Memory for Self-Evolving LLM Agents via Knowledge Crystallization
- arxiv url: http://arxiv.org/abs/2608.00303v1
- Date: Fri, 31 Jul 2026 21:35:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 15:10:57.00108
- Title: CrystalMem: Elastic Memory for Self-Evolving LLM Agents via Knowledge Crystallization
- Title（参考訳）: CrystalMem: 知識結晶化による自己進化型LDMエージェントの弾性記憶
- Abstract要約: クラウドプラットフォームは、負荷とコストに応じてクォータを調整する。
我々は,4つの忠実な状態にまたがるエントリを復号する,弾力性のあるメモリサイドカーであるCrystalMemを提案する。
CrystalMemはすべての設定で最高の復元機能を実現し、すべてのベースラインで開いているループを閉じる。
- 参考スコア（独自算出の注目度）: 7.63508861308136
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Memory for self-evolving large language model (LLM) agents is often provisioned as if its byte budget only grows. Cloud platforms, however, adjust quotas with load and cost, and we show that capability does not follow the budget back up: after a squeeze-and-recover cycle, the agent settles below its pre-squeeze level, a gap we call memory hysteresis. The cause is structural. Deletion and one-way compression discard the material needed for later rebuilding, and we prove that any policy that only keeps or drops entries carries a residual-deficit floor. We propose CrystalMem (Crystallized Memory), an elastic memory sidecar that demotes entries across four fidelity states under a crystallization-energy schedule, orders demotions by advantage-weighted influence with dependency coupling, and recovers capability through verified recrystallization under explicit compute and byte caps. Across seven environments, seventeen methods, and six backbones, with multi-tenant serving and a physical edge-cloud deployment, CrystalMem achieves the highest restored capability in every setting and closes the loop left open by every baseline. From a 50% byte budget, CrystalMem matches the strongest budgeted baseline at full provision on every environment; at equal budgets, it leads by +4.6 pp on average.
- Abstract（参考訳）: 自己進化型大規模言語モデル(LLM)エージェントのメモリは、バイトの予算が増大するのみであるかのようにプロビジョニングされることが多い。
しかし、クラウドプラットフォームは、負荷とコストに応じてクォータを調整し、その能力が予算のバックアップに従わないことを示す: スクリュ&リカバリサイクルの後、エージェントは、前処理レベル以下に落ち着き、メモリヒステリシスと呼ばれるギャップを解消する。
原因は構造的です。
削除と片道圧縮は、後続の再構築に必要な材料を捨て、エントリを保存またはドロップするポリシーは、残余の欠陥のあるフロアを持っていることを証明します。
結晶化-エネルギースケジュールの下で4つの忠実状態のエントリを復調し、依存結合による有利な重み付けの影響でデモーションを順序付けし、明示的な計算およびバイトキャップ下での検証再結晶により能力を回復する、弾力性のあるメモリサイドカーであるCrystalMem(Crystallized Memory)を提案する。
7つの環境、17のメソッド、6つのバックボーン、マルチテナントサービス、物理的なエッジクラウドデプロイメントを備えたCrystalMemは、すべての設定で最高の復元機能を実現し、すべてのベースラインで開いているループを閉じる。
50%の予算から、CrystalMemは全ての環境において最強の予算ベースラインと一致しており、同じ予算では平均で+4.6ppである。
関連論文リスト
- Train Overcomplete, Deploy Compact: Scaling Recovery Capacity for Structured LLM Pruning [6.0812616788294]
OverRepは、大規模言語モデルの構造化プルーニングのためのフレームワークである。
強いリカバリベースラインよりも、25%および50%のプルーニングで最大5.5および8.4ポイントのリカバリ性能を向上する。
私たちのコードはhttps://github.com/mmai-laboratory/OverRep.comで利用可能です。
論文 参考訳（メタデータ） (2026-09-07T03:10:32Z) - Dual-Grained Agent Memory and Shapley Context Attribution for Multimodal Agentic Learner [55.80248281761638]
マルチモーダルな大言語モデル (MLLM) は、科学的および数学的推論において、印象的な認識を提供する。
本稿では,DG-Memを提案する。DG-Memは,トレーニングタイムのロールアウトから一度構築した外部記憶メモリと,テスト時に読み取り専用に相談することで,凍結したMLLMを拡張可能なエージェントメモリフレームワークである。
論文 参考訳（メタデータ） (2026-08-24T13:56:01Z) - Beyond Thresholds: A Quality-Aware Decision Intelligence Framework for Cold Chain IoT Systems [0.0]
コールドチェーンのロジスティクスは技術的に進歩しているが、ほとんどのデプロイされたシステムは、意思決定エージェントではなく、リアクティブなモニターのままである。
このギャップを3つの機能を組み合わせた品質認識意思決定インテリジェンスフレームワークで解決する。
しきい値監視、物理のみ、物理余剰ノイズ、最適化に基づく決定、ルールベースのエキスパートシステムという5つのベースラインをベンチマークします。
論文 参考訳（メタデータ） (2026-08-15T06:59:08Z) - Caching for the Future: Scrub Jay Episodic Memory Principles for Agent Memory Systems [5.321970297768025]
既存の記憶アーキテクチャは、全ての記憶を、時代遅れの事実と共に、保存されたコンテキストを均等に永続的で体系的に汚染したものとして扱う。
メモリ当たりの時間減衰は,外部LLMエージェントメモリストアにおいて,自動分類係数$_i$として操作可能であることを示す。
本稿では,時間的一般化テスト(TGT)と,保持間隔を保ったベンチマーク,一般化ギャップ(GenGap)メトリクスを紹介する。
論文 参考訳（メタデータ） (2026-08-05T12:12:44Z) - ElasticMem: Latent Memory as a Learnable Resource for LLM Agents [25.70415765824153]
ElasticMemは、メモリを弾性潜在リソースとして使用することを学ぶメモリ拡張LDMフレームワークである。
メモリ集約型QAとエンボディエージェント制御を対象とし, メモリスタイト上でのElasticMemの評価を行った。
論文 参考訳（メタデータ） (2026-05-29T00:34:40Z) - EvolveMem:Self-Evolving Memory Architecture via AutoResearch for LLM Agents [80.59925936278162]
本稿では,自己進化型メモリアーキテクチャであるEvolveMemについて述べる。
このクローズループの自己進化はAutoResearchプロセスを実現している。システムは自力で独自のアーキテクチャ上で反復的な研究サイクルを実行し、手動構成のチューニングを置き換える。
論文 参考訳（メタデータ） (2026-05-13T17:12:44Z) - MEME: Multi-entity & Evolving Memory Evaluation [76.57263966646404]
MEMEは、マルチエンタリティと進化する軸によって定義される全空間にまたがる6つのタスクを定義している。
3つの記憶パラダイムにまたがる6つの記憶システムの評価。
デフォルト設定の下では、すべてのシステムが依存性の推論で崩壊しているのが分かります。
論文 参考訳（メタデータ） (2026-05-12T17:55:10Z) - MemQ: Integrating Q-Learning into Self-Evolving Memory Agents over Provenance DAGs [47.66730296440261]
我々は,新たなメモリが生成されるたびに記憶が取得されたことを記録した証明DAGを通じて,クレジットを後方に伝播するMemQを紹介した。
6つのベンチマークで、MemQは、一般化評価とランタイム学習の6つすべてで最高成功率を達成した。
さらに、$と$がEC-MDP構造とどのように相互作用するかを研究し、パラメータ選択と将来の研究の原則的なガイダンスを提供する。
論文 参考訳（メタデータ） (2026-05-08T18:30:24Z) - Adaptive Memory Crystallization for Autonomous AI Agent Learning in Dynamic Environments [0.0]
本稿では、強化学習における漸進的経験強化のためのメモリアーキテクチャである適応記憶結晶化(AMC)を提案する。
AMCは概念的には、シナプス的タグ付けとキャプチャ(STC)理論の定性的構造に着想を得ている。
AMCはメモリを連続結晶化プロセスとしてモデル化し、経験は多目的ユーティリティ信号に従ってプラスチックから安定状態へ移行する。
論文 参考訳（メタデータ） (2026-04-02T22:53:34Z) - NextMem: Towards Latent Factual Memory for LLM-based Agents [58.35585202907478]
NextMemは、自動回帰型オートエンコーダを使用して、潜時メモリを効率的に構築する、潜時ファクトメモリフレームワークである。
大規模な実験は、NextMemが優れたパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2026-02-26T14:35:27Z) - Forget Forgetting: Continual Learning in a World of Abundant Memory [55.64184779530581]
継続的な学習は伝統的に、模範記憶の最小化に重点を置いてきた。
本稿では、より現実的な体制を探求することによって、このパラダイムに挑戦する。
モデルが以前のタスクに偏り、新しいタスクを学ぶのに苦労するようになるにつれて、中心的な課題が安定性から可塑性へと変化していくことが分かっています。
論文 参考訳（メタデータ） (2025-02-11T05:40:52Z)
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。