論文の概要: MemPrism: Task-Conditioned Relational Memory Views for Long-Horizon Agents

• arxiv url: http://arxiv.org/abs/2608.06745v1
• Date: Fri, 07 Aug 2026 03:13:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.335667
• Title: MemPrism: Task-Conditioned Relational Memory Views for Long-Horizon Agents
• Title（参考訳）: MemPrism:長距離エージェントのためのタスク記述型リレーショナルメモリビュー
• Abstract要約: ロングホライゾンエージェントは、経験を再利用するためにメモリに依存しているが、既存のメモリシステムは、エビデンスを固定表現によって直接消費できると仮定している。 MemPrismはタスク条件付きリレーショナルメモリフレームワークで、永続的なエクスペリエンスストレージと意思決定時のワーキングメモリを分離する。 MemPrismは、特にトラジェクトリが長くなり、メモリトークンの消費が減少するにつれて、タスクパフォーマンスを継続的に改善する。
• 参考スコア（独自算出の注目度）: 14.296334759650918
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-horizon agents rely on memory to reuse experiences, yet existing memory systems often assume that evidence can be directly consumed through a fixed representation. This leads to representation mismatch, where relevant information is available but not organized for the current decision. To this end, we propose MemPrism, a task-conditioned relational memory framework that separates persistent experience storage from decision-time working memory. MemPrism records interactions as the event stream and dynamically constructs relational views according to the current task context. A lightweight view policy selects the relation structure, evidence range, outcome condition, and granularity, while a deterministic composer and render transform historical facts into a temporary optical working-memory view for a frozen task policy. Experiments on long-horizon embodied and web-agent benchmarks show that MemPrism consistently improves the task performance, especially as trajectories become longer, while reducing memory token consumption. Furthermore, the learned view policy transfers across different VLMs without additional adaptation, demonstrating the effectiveness of task-conditioned relational views as a general memory interface for agents.
• Abstract（参考訳）: ロングホライゾンエージェントは経験を再利用するためにメモリに依存するが、既存のメモリシステムは、エビデンスを固定表現によって直接消費できると仮定することが多い。 これは表現ミスマッチを引き起こし、関連する情報が利用可能だが、現在の決定のために組織化されていない。 この目的のために,タスク条件付きリレーショナルメモリフレームワークであるMemPrismを提案する。 MemPrismはイベントストリームとしてインタラクションを記録し、現在のタスクコンテキストに従ってリレーショナルビューを動的に構築する。 軽量ビューポリシーは、関係構造、エビデンス範囲、結果条件、粒度を選択し、決定論的作曲家は歴史的事実を凍結タスクポリシーのための一時的な光ワーキングメモリビューに変換する。 長距離エンボディおよびウェブエージェントベンチマークの実験では、特にトラジェクトリが長くなるにつれて、MemPrismはタスク性能を一貫して改善し、メモリトークンの消費を削減している。 さらに、学習されたビューポリシーは、追加の適応なしに異なるVLM間で伝達され、エージェントの汎用メモリインタフェースとしてのタスク条件付きリレーショナルビューの有効性が実証される。

関連論文リスト

• QUMem: Personalized Memory for Query-Conditioned User-State Inference in LLM Agents [24.465097221083777]
  textscQUMemは、クエリ条件付きユーザ状態推論のための構造化メモリフレームワークである。 textscQUMemはPersonaMemとKnowU-Benchの両方で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-08-17T06:34:24Z)
• CoEvo-Mem: Co-Evolving Retrieval Policy and Memory Bank for LLM Agents [12.963751758893594]
  本稿では,検索ポリシとメモリバンクを併用するクローズドループフレームワークを提案する。 textbfCoEvo-Memは7つのベンチマークで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-08-03T06:04:51Z)
• PMMC: Prospective Multimodal Memory Compilation for Long-Term LVLM Agents [19.297991318803508]
  長期記憶は、LVLMエージェントが一貫性を維持し、拡張されたマルチモーダル相互作用間で情報を統合するために不可欠である。 本稿では,メモリ推論プロセスの一部をクエリ時間からメモリ統合時間にシフトさせるフレームワークであるProspective Multimodal Memory Compilationを提案する。 マルチモーダルな長期メモリベンチマーク実験により,クエリ時間トークンと遅延コストを低減しつつ,応答品質と視覚的エビデンスリコールを改善した。
  論文  参考訳（メタデータ） (2026-08-02T03:20:54Z)
• 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)
• Memory is Reconstructed, Not Retrieved: Graph Memory for LLM Agents [51.30250860677378]
  本稿では,連想記憶グラフとアクティブな再構成機構を組み合わせたフレームワークであるMRAgentを提案する。 Cue-Tag-Contentグラフ上で実行することで,メモリアクセスに直接推論を統合する。 LoCoMoベンチマークとLongMemEvalベンチマークの実験は、強いベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2026-06-04T11:29:46Z)
• MemCollab: Cross-Agent Memory Collaboration via Contrastive Trajectory Distillation [16.57908722474221]
  大規模言語モデル(LLM)ベースのエージェントは、過去の問題解決経験から知識を再利用するためのメモリメカニズムに依存している。 既存のアプローチは、通常、エージェントごとの方法でメモリを構築し、格納された知識を単一のモデルの推論スタイルに密結合する。 その結果,エージェント間でのメモリ転送は,タスク関連知識をエージェント固有のバイアスと結び付けるなど,パフォーマンスを低下させることがわかった。 我々は,同一タスク上で異なるエージェントが生成する軌道の推論を対比することにより,エージェント非依存メモリを構成する協調メモリフレームワークであるMemCollabを提案する。
  論文  参考訳（メタデータ） (2026-03-24T14:05:47Z)
• MemGround: Long-Term Memory Evaluation Kit for Large Language Models in Gamified Scenarios [33.8882826707344]
  MemGroundは、リッチでゲーミフィケーションされたインタラクティブシナリオを基盤とした、厳格な長期メモリベンチマークである。 メモリ利用と行動軌跡の両方を包括的に定量化するために,多次元計量スイートを提案する。
  論文  参考訳（メタデータ） (2026-03-23T02:57:39Z)
• MemoryArena: Benchmarking Agent Memory in Interdependent Multi-Session Agentic Tasks [55.145729491377374]
  メモリを持つエージェントの既存の評価は、通常、単独で記憶と行動を評価する。 マルチセッションメモリ-エージェント環境ループにおけるエージェントメモリのベンチマークのための統合評価ジムであるMemoryArenaを紹介する。 MemoryArenaは、Webナビゲーション、優先制約付き計画、プログレッシブ情報検索、シーケンシャルなフォーマルな推論を含む評価をサポートする。
  論文  参考訳（メタデータ） (2026-02-18T09:49:14Z)
• AMA: Adaptive Memory via Multi-Agent Collaboration [54.490349689939166]
  複数の粒度にまたがるメモリ管理に協調エージェントを活用する新しいフレームワークであるAMA(Adaptive Memory via Multi-Agent Collaboration)を提案する。 AMAは、ステート・オブ・ザ・アートのベースラインを著しく上回り、トークンの消費をフルコンテキストの手法と比べて約80%削減する。
  論文  参考訳（メタデータ） (2026-01-28T08:09:49Z)
• Evo-Memory: Benchmarking LLM Agent Test-time Learning with Self-Evolving Memory [89.65731902036669]
  Evo-Memoryは、大規模言語モデル(LLM)エージェントで自己進化型メモリを評価するための、ストリーミングベンチマークとフレームワークである。 10以上の代表的なメモリモジュールを評価し、10種類の多ターンゴール指向およびシングルターン推論およびQAデータセットで評価した。
  論文  参考訳（メタデータ） (2025-11-25T21:08:07Z)

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。