論文の概要: MESA:Task-Adaptive Multi-Structure Evidence Selection for Long-Horizon Agent Memory
- arxiv url: http://arxiv.org/abs/2608.10108v1
- Date: Mon, 10 Aug 2026 18:23:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.784841
- Title: MESA:Task-Adaptive Multi-Structure Evidence Selection for Long-Horizon Agent Memory
- Title（参考訳）: MESA:長軸エージェント記憶のためのタスク適応型マルチストラクチャ証拠選択
- Abstract要約: ロングホライゾンエージェントは、何百ものインターリーブな推論、行動、観察ステップにまたがる軌道を蓄積する。
既存のマルチメモリシステムは、クエリ毎に固定された構造のセットを読み取るか、それぞれのクエリを単一の構造にルーティングする。
本稿では,各トラジェクトリの5つの補完構造ビューを構築し,エンドツーエンドの回答レベルフィードバックからフリーズされた回答モデルに対して,クエリ固有のサブセットを選択し,融合させるMESAを提案する。
- 参考スコア（独自算出の注目度）: 34.096782744477494
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Long-horizon agents accumulate trajectories spanning hundreds of interleaved reasoning, action, and observation steps, where answering a query may depend on evidence buried far back in the history. External memory stores such trajectories as structured representations, yet each structure provides a distinct and incomplete view. Existing multi-memory systems either read a fixed set of structures for every query, inflating context and introducing noise, or route each query to a single structure, preventing the composition of complementary evidence. A controlled analysis on AMA-Bench shows that the optimal memory configuration is typically neither a single structure nor the full union, but a tailored composition of multiple structural memories that varies with query and task demands. Motivated by these findings, we formulate structure-level dynamic selection: selecting and fusing a query-adaptive subset from a library of specialized memory structures. We propose MESA (a Multi-structure Evidence Selection framework for long-horizon Agent), which builds five complementary structure views of each trajectory and learns from end-to-end answer-level feedback to select and fuse a query-specific subset for a frozen answer model. To learn under this weak supervision, MESA employs harness optimization with prior-guided search and UCB-guided scheduling to balance exploration and exploitation. On AMA-Bench, MESA outperforms the strongest baseline by 8.5% while using 41% fewer evidence tokens than the all-structure alternative.
- Abstract（参考訳）: ロングホライゾンのエージェントは、何百ものインターリーブな推論、行動、観察ステップにまたがる軌跡を蓄積し、クエリに答えることは、歴史のずっと昔に埋もれた証拠に依存するかもしれない。
外部メモリは、構造化された表現のような軌跡を格納するが、それぞれの構造は明確に不完全なビューを提供する。
既存のマルチメモリシステムは、クエリ毎に固定された構造のセットを読み、コンテキストを膨らませ、ノイズを発生させるか、それぞれのクエリを単一の構造にルーティングすることで、補完的なエビデンスの構成を防止する。
AMA-Benchの制御された分析によると、最適なメモリ構成は単一の構造や完全な結合ではなく、クエリやタスク要求に応じて変化する複数の構造記憶の調整された構成である。
これらの知見に触発されて、我々は、特別なメモリ構造を持つライブラリからクエリ適応サブセットを選択し、fusingする構造レベルの動的選択を定式化する。
提案するMESA(Multi-structure Evidence Selection framework for long-horizon Agent)は,各トラックの5つの補完構造ビューを構築し,エンドツーエンドの回答レベルフィードバックからフリーズされた回答モデルに対してクエリ固有のサブセットを選択し,融合させる。
この弱い監督下で学ぶために、MESAは事前誘導探索とUCB誘導スケジューリングを用いて、探索と搾取のバランスをとる。
AMA-Benchでは、MESAが最強のベースラインを8.5%上回り、全構造の代替よりも41%少ないエビデンストークンを使用する。
関連論文リスト
- ORDER: Task-Conditioned Routing for Retrieval-Augmented Generation [3.6028767235872965]
本稿では,クエリにインデックス付けと検索を併用する問合せ条件付きRAGフレームワークを提案する。
我々は,大規模かつ異種な歴史的アーカイブの枠組みを評価し,クエリのインデックス付けと検索の条件付けが,根本的ベースラインと最先端RAGシステムの両方を一貫して上回っていることを示す。
論文 参考訳（メタデータ） (2026-09-15T11:23:16Z) - GraphMemix: Query-Aware Evidence Forests for Long-Term Multimodal Agent Memory [87.58855368314693]
メモリ構造をクエリ対応エビデンス・フォレスト構築としてモデル化するグラフメモリフレームワークであるGraphMemixを提案する。
4つの長期マルチモーダルメモリベンチマークの実験結果から,異なる基礎モデルによる大幅な改善が示された。
論文 参考訳（メタデータ） (2026-08-27T11:28:49Z) - Beyond Retrieval: Analytic Memory for Multimodal Agents [20.053051187012315]
長期的なマルチモーダルメモリは、関連する情報を取得するだけでなく、相互作用にまたがって蓄積された観測の計算もサポートしなければならない。
本稿では,検索と解析メモリを協調的にサポートするフレームワークであるAdaMMを提案する。
MemEyeとMemGalleryの2つの長期マルチモーダルメモリベンチマークの実験では、それぞれAdaMMのパフォーマンスが11.3%と6.9%向上した。
論文 参考訳（メタデータ） (2026-07-31T14:07:12Z) - When Does Overlap Help? OSU-Mem and a Cell-Conditional Analysis of Trajectory Memory for LLM Agents [8.361893760388329]
LLM(Long-Horizon Large Language Model)エージェントは、実用的なプロンプト予算を迅速に超過する相互作用トラジェクトリを蓄積する。
トラジェクトリメモリを重なり合うセマンティックユニット(OSU)に編成することは、フラットまたは非ジョイントな選択肢を検索するのに役立つのだろうか?
我々はこれをOSUMemでインスタンス化し、OSUプールの重なり合う部分から予算付き粗大な拡張によって取り出す。
論文 参考訳（メタデータ） (2026-06-19T04:23:04Z) - MCERF: Advancing Multimodal LLM Evaluation of Engineering Documentation with Enhanced Retrieval [7.964714175107759]
エンジニアリングルールブックと技術標準は、密集したテキスト、テーブル、イラストのようなマルチモーダル情報を含んでいる。
この研究は、大規模言語モデル推論とマルチモーダルレトリバーを結合するシステムである、マルチモーダルColPali Enhanced Retrieval and Reasoning Framework (RFMCE)を確立する。
これは、視覚言語検索、モジュール推論、適応的ルーティングが、エンジニアリングユースケースにおけるスケーラブルなドキュメント理解を可能にする方法を示している。
論文 参考訳（メタデータ） (2026-01-31T03:09:47Z) - 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) - Mixture of Structural-and-Textual Retrieval over Text-rich Graph Knowledge Bases [78.62158923194153]
テキストリッチなグラフ知識ベース(TG-KB)は、テキストおよび構造的知識を提供することで、クエリに応答する上でますます重要になっている。
本研究では,これら2種類の知識を計画・推論・組織化フレームワークを用いて検索するための構造・テキスト検索(MoR)の混合を提案する。
論文 参考訳（メタデータ） (2025-02-27T17:42:52Z) - Temporal Query Networks for Fine-grained Video Understanding [88.9877174286279]
我々はこれをクエリ応答機構にキャストし、各クエリが特定の質問に対処し、独自の応答ラベルセットを持つ。
本手法は,細粒度動作分類のためのファインガイムおよびダイビング48ベンチマークを広範囲に評価し,rgb機能のみを用いて最先端の動作分類を克服した。
論文 参考訳（メタデータ） (2021-04-19T17:58:48Z) - Query Focused Multi-Document Summarization with Distant Supervision [88.39032981994535]
既存の作業は、クエリとテキストセグメント間の関連性を推定する検索スタイルの手法に大きく依存している。
本稿では,クエリに関連するセグメントを推定するための個別モジュールを導入した粗大なモデリングフレームワークを提案する。
我々のフレームワークは、標準QFSベンチマークにおいて、強力な比較システムよりも優れていることを実証する。
論文 参考訳（メタデータ） (2020-04-06T22:35:19Z)
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。