論文の概要: Controlled Memory Interference in Continual LLM Agents

• arxiv url: http://arxiv.org/abs/2608.07622v1
• Date: Fri, 07 Aug 2026 09:46:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.461047
• Title: Controlled Memory Interference in Continual LLM Agents
• Title（参考訳）: 連続LDMエージェントにおける制御メモリ干渉
• Abstract要約: 長期記憶により、AIエージェントはセッション間の連続性を維持し、振る舞いをパーソナライズし、蓄積された経験を通じて進化することができる。 既存のシステムは、主にメモリ構築と関連性に基づく検索を強調しているが、いくつかの記憶は、状態、時間的妥当性、権限において異なるが、同時に関連している。 我々は,異なるメモリ関係下でのエージェントメモリの進化を研究するための,制御された診断・データ生成フレームワークである制御型メモリ干渉(CMI)を紹介する。
• 参考スコア（独自算出の注目度）: 19.630594179909156
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-term memory enables AI agents to maintain continuity across sessions, personalize behavior, and evolve through accumulated experience. Yet memory evolution is not simply a process of storing more information: new experiences may reinforce, revise, or interfere with existing memory states. Existing systems mainly emphasize memory construction and relevance-based retrieval, but several memories may remain simultaneously relevant while differing in state, temporal validity, or authority. We introduce Controlled Memory Interference (CMI), a controlled diagnostic and data-generation framework for studying how agent memory evolves under different memory relationships. Across controlled memory evolution, benign accumulation has limited effects, whereas relationship-specific interference sharply suppresses update plasticity with little stability gain, either by blocking target-memory exposure or by disrupting its downstream use. Lexical and Dense retrieval exhibit distinct interference pathways, while poisoning is more sensitive to update-authority cues than to recency alone. Beyond diagnosis, CMI provides targeted examples for interference-aware memory learning, improving the distinction between valid updates and interference-inducing memories while preserving performance on original memory tasks. These findings show that memory evolution is shaped not only by memory scale, but also by interactions among accumulated experiences. More broadly, memory interference emerges as an important factor for reliable continual agent memory systems.
• Abstract（参考訳）: 長期記憶により、AIエージェントはセッション間の連続性を維持し、振る舞いをパーソナライズし、蓄積された経験を通じて進化することができる。 しかし、メモリの進化は単により多くの情報を格納するプロセスではない。 既存のシステムは、主にメモリ構築と関連性に基づく検索を強調しているが、いくつかの記憶は、状態、時間的妥当性、権限において異なるが、同時に関連している。 我々は,異なるメモリ関係下でのエージェントメモリの進化を研究するための,制御された診断・データ生成フレームワークである制御型メモリ干渉(CMI)を紹介する。 制御された記憶の進化全体では、良性蓄積は限られた効果を持つが、関係性特異的な干渉は、ターゲットメモリの露出をブロックしたり、下流の使用を中断したりすることで、安定性の低い更新可塑性を著しく抑制する。 レクシカルとデンス検索は異なる干渉経路を示すが、中毒は再発単独よりも更新認可の方法に敏感である。 診断以外にも、CMIは、干渉対応メモリ学習のターゲットとなる例を提供し、元のメモリタスクのパフォーマンスを保ちながら、有効な更新と干渉誘発メモリの区別を改善している。 これらの結果は、記憶の進化は記憶の規模だけでなく、蓄積された経験間の相互作用によっても形成されていることを示している。 より広範に、信頼性のある連続エージェントメモリシステムにおいて、メモリ干渉が重要な要素として現れる。

関連論文リスト

• Retrieval-Driven Memory Reconsolidation for Long-Term LLM Agents [39.55670043123564]
  既存のメモリシステムは、新しい情報が到着したときにメモリを更新する。 検索フィードバックは、将来のアクセスのためにメモリを再編成するために利用されることはめったにない。 LLMエージェントの長期記憶を継続的に進化させるフレームワークである textbfREALM を提案する。
  論文  参考訳（メタデータ） (2026-09-13T05:17:37Z)
• Understanding Stage-Wise Utility-Risk Trade-offs in LLM Agent Memory [21.71796784567462]
  より多くの情報を保持し、変換し、公開するメモリメカニズムは、良性の有用性と、メモリ中毒に対する感受性の両方に影響を与える可能性がある。 本報告では, 毒性条件下での書込み, 管理方針, 検索露出を別々に変化させる制御可能なフレームワークであるtextscMemGaugeについて述べる。
  論文  参考訳（メタデータ） (2026-08-31T02:57:08Z)
• 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)
• MemEvoBench: Benchmarking Memory MisEvolution in LLM Agents [78.95081012334116]
  永続メモリを持つ大規模言語モデル(LLM)は、相互作用の継続性とパーソナライゼーションを高めるが、新たな安全性リスクをもたらす。 汚染または偏りのある記憶蓄積は、異常な作用を引き起こす可能性がある。 MemeEvoBenchは、LLMエージェントのメモリ安全性を評価する最初のベンチマークである。
  論文  参考訳（メタデータ） (2026-04-17T07:29:52Z)
• Memory Bear AI Memory Science Engine for Multimodal Affective Intelligence: A Technical Report [3.9870633524104107]
  Memory Bear AI Memory Science Engineは、マルチモーダル感情インテリジェンスのためのメモリ中心のフレームワークである。 構造化メモリ形成、ワークメモリ集約、長期統合、メモリ駆動型検索、動的核融合校正、継続的なメモリ更新による処理を組織化する。 実験結果から、ベンチマークとビジネスグラウンド設定を比較した結果、一貫した利得が得られた。
  論文  参考訳（メタデータ） (2026-03-18T10:23:00Z)
• FadeMem: Biologically-Inspired Forgetting for Efficient Agent Memory [4.608947574766633]
  本稿では,人間の認知効率を反映した能動的忘れ機構を組み込んだ,生物学的にインスパイアされたエージェントメモリアーキテクチャであるFadeMemを提案する。 マルチセッションチャット, LoCoMo, LTI-Benchの実験では, ストレージの45%削減により, 優れたマルチホップ推論と検索が可能となった。
  論文  参考訳（メタデータ） (2026-01-26T16:12:54Z)
• Beyond Heuristics: A Decision-Theoretic Framework for Agent Memory Management [49.71055327567513]
  メモリ管理は、不確実性の下でのシーケンシャルな意思決定問題と見なされるべきである。 私たちの貢献は、新しいアルゴリズムではなく、アプローチの限界を明確にする原則的なリフレーミングです。
  論文  参考訳（メタデータ） (2025-12-25T08:23:03Z)
• Memory Bear AI A Breakthrough from Memory to Cognition Toward Artificial General Intelligence [1.9075119881212463]
  大規模言語モデル(LLM)は、メモリに固有の制限に直面している。 本稿では,認知科学の原理を基礎とした,人間のようなメモリアーキテクチャを構築するメモリベアシステムを提案する。
  論文  参考訳（メタデータ） (2025-12-17T06:06:18Z)
• Memory in the Age of AI Agents [217.9368190980982]
  この研究は、現在のエージェントメモリ研究の最新の展望を提供することを目的としている。 我々は,エージェントメモリ,すなわちトークンレベル,パラメトリック,潜時メモリの3つの支配的実現を同定する。 実用的な開発を支援するため、メモリベンチマークとオープンソースフレームワークの包括的な概要をコンパイルする。
  論文  参考訳（メタデータ） (2025-12-15T17:22:34Z)
• MemVerse: Multimodal Memory for Lifelong Learning Agents [35.218549149012844]
  我々は,モデルに依存しないプラグアンドプレイメモリフレームワークであるMemVerseを紹介した。 MemVerseは階層的検索ベースのメモリで高速パラメトリックリコールを行う。 スケーラブルで適応的なマルチモーダルインテリジェンスを実現する。
  論文  参考訳（メタデータ） (2025-12-03T10:06:14Z)
• MemGen: Weaving Generative Latent Memory for Self-Evolving Agents [57.1835920227202]
  本稿では,エージェントに人間的な認知機能を持たせる動的生成記憶フレームワークであるMemGenを提案する。 MemGenは、エージェントが推論を通して潜在記憶をリコールし、増大させ、記憶と認知の密接なサイクルを生み出すことを可能にする。
  論文  参考訳（メタデータ） (2025-09-29T12:33:13Z)
• Augmented Replay Memory in Reinforcement Learning With Continuous Control [1.6752182911522522]
  オンライン強化学習エージェントは、高次値関数に変換することで、現在、増大するデータを処理することができる。 この拡張によりエージェントの状態空間が増大し、より複雑な問題にスケールアップできるだけでなく、冗長なデータや矛盾するデータを学習することで忘れるリスクも増大する。 大量のデータの近似を改善するために、リプレイメモリバッファに格納された過去の経験のランダムなミニバッチを各学習ステップで頻繁に再生する。
  論文  参考訳（メタデータ） (2019-12-29T20:07:18Z)

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。