論文の概要: From Faulty Memories to Corrected Actions: Dependency-Guided Rollback Repair for Memory-Augmented Agents

• arxiv url: http://arxiv.org/abs/2608.10502v1
• Date: Tue, 11 Aug 2026 05:19:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.915963
• Title: From Faulty Memories to Corrected Actions: Dependency-Guided Rollback Repair for Memory-Augmented Agents
• Title（参考訳）: 障害記憶から修正行動へ: メモリ拡張剤の依存性誘導ロールバック修復
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 19.125716338799545
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Persistent memory lets language-model agents reuse information across sessions, but it also makes errors durable: a poisoned, stale, or misattributed record can alter reasoning, tool use, answers, and subsequent memory writes. Existing defenses mainly detect or delete suspicious memories, or revise the current response. Deleting the source leaves already propagated claims, actions, and derived memories active, whereas resetting the store or replaying the full trace destroys benign state and repeats unnecessary computation. We therefore formulate \textbf{post-failure memory recovery: } \textit{given a failed execution and diagnosed faulty memories, recover both the answer and persistent state while retaining unaffected work.} Our \textbf{dependency-guided rollback repair} builds a typed memory-to-action graph from runtime provenance, traces explicit downstream dependencies, preserves candidates with independent trusted support, deactivates unsupported memory state, and selectively replays only answer-relevant affected computation. We evaluate this approach on a 150-case controlled benchmark spanning three tool-use domains and four memory failure types, and on a 50-case trajectory-derived stress test adapted from LongMemEval-V2. On the controlled benchmark, it achieves 85.3\% recovery versus 77.3\% for the best competing recovery method, removes all diagnosed faulty memories, preserves all benign memories, and requires only selective replay with modest LLM-call cost. On the adapted subset, it reaches 68.0\% recovery versus 54.0\% for the next best method, while also achieving the highest claim invalidation F1, 0.669 versus 0.603. Overall, the results do not imply uniformly better trace reconstruction, but show that dependency-guided rollback repair provides a strong recovery--cost trade-off while repairing faulty memory state and preserving benign memory.
• Abstract（参考訳）: 永続メモリは、言語モデルエージェントがセッション間で情報を再利用することを可能にするが、エラーを耐久性のあるものにする。 既存の防御は、主に不審な記憶を検出したり、削除したり、現在の反応を修正したりする。 ソースの削除は、既にプロパゲートされたクレーム、アクション、派生したメモリがアクティブであるのに対して、ストアをリセットしたり、完全なトレースを再生したりすることで、良質な状態が破壊され、不要な計算が繰り返される。 そこで, 問題のない作業を維持しながら, 応答状態と持続状態の両方を回復する。 私たちの‘textbf{dependency-guided rollback repair}は、実行時の前処理から型付きメモリ・ツー・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、独立した信頼できるサポートを持つ候補を保存し、サポートされていないメモリ状態を無効にし、応答関連のある影響のある計算のみを選択的に再生します。 本稿では,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ケース制御ベンチマークと,LongMemEval-V2を応用した50ケーストラジェクトリによるストレステストについて評価する。 制御されたベンチマークでは、最高の競合するリカバリ法では85.3\%対77.3\%のリカバリを実現し、診断されたすべての障害記憶を除去し、すべての良性記憶を保存し、控えめなLCMコールコストで選択的なリプレイしか必要としない。 適応されたサブセットでは、次のベストメソッドでは68.0\%、54.0\%に達する一方で、最も高いクレーム無効化F1、0.669、0.603を達成する。 全体としては、結果としてトレース復元が一様に改善されるわけではないが、依存性誘導型ロールバック修復は、不良メモリ状態の修復と良性メモリの保存をしながら、強力なリカバリコストトレードオフをもたらすことを示している。

関連論文リスト

• Does Video Memory Use What It Retrieves? A Causal Audit of Memory Specificity [38.098764596232996]
  ビデオモデルは、長いシーケンスで情報を保存するためにメモリをますます利用します。 標準メモリアブレーションは、メモリが役立つかどうかをテストするが、検索したコンテンツが責任を持つかどうかをテストする。 我々はこれを読み取り時のメモリ置換で直接テストする。
  論文  参考訳（メタデータ） (2026-09-10T18:16:32Z)
• Causal Episodic Memory for Feedback-Driven Agent Repair [2.641347237473854]
  オラクル認証のオンライン双極性メモリを保守するトレーニングフリーエージェントであるMERITを紹介する。 負のメモリが適度に寄与することを示し、型条件付けと語彙ランク付けの値はデータセットに依存し、スキーマローカルエクスペリエンスが最も一貫した利点を提供する。
  論文  参考訳（メタデータ） (2026-08-06T11:34:03Z)
• 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)
• 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)
• Deployment-Time Memorization in Foundation-Model Agents [18.40535884093806]
  個人化リコール(PR)と適応抽出レート(AER)によるプライバシユーティリティフロンティアとしてのエージェントメモリの検討 キーファクト要約は、ほとんどすべてのパーソナライズリコールを維持しながら、Gemma 3 12Bで76%、GPT-4o-miniで64%のカナリア抽出を減少させる。 LongMemEvalでは、キーファクトの要約はGemma 3 12Bで76%、GPT-4o-miniで64%のカナリア抽出を減らし、ほぼすべてのパーソナライズリコールを保存する。
  論文  参考訳（メタデータ） (2026-06-08T18:38:41Z)
• 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)
• From Unstructured Recall to Schema-Grounded Memory: Reliable AI Memory via Iterative, Schema-Aware Extraction [39.146761527401424]
  永続的なAIメモリは、しばしば検索問題に還元される。 本稿では、信頼性の高い外部AIメモリはスキーマ基底のハーネスでなければならないと論じる。 本稿では、メモリの取り込みをオブジェクト検出、フィールド検出、フィールド値抽出に分解する反復型スキーマ対応書き込みパスを提案する。
  論文  参考訳（メタデータ） (2026-04-30T14:14:02Z)
• Learning When to Remember: Risk-Sensitive Contextual Bandits for Abstention-Aware Memory Retrieval in LLM-Based Coding Agents [0.0]
  コーディングエージェントは、以前の経験、トレースの修復、リポジトリローカルな運用知識を再利用するために、ますます外部メモリに依存している。 本稿では、純トップk検索問題ではなく、選択的かつリスクに敏感な制御問題として、イシューメモリの使用を再検討する。 リスクに敏感なコンテキスト帯域メモリコントローラであるRSCB-MCを導入し,メモリ使用の有無を判断し,トップレゾリューションを注入し,複数の候補を要約し,高精度または高速リコール検索,停止,あるいはフィードバックを求める。
  論文  参考訳（メタデータ） (2026-04-30T00:32:53Z)
• Evoking User Memory: Personalizing LLM via Recollection-Familiarity Adaptive Retrieval [59.295767860331004]
  RF-Memは、親しみやすい不確実性誘導デュアルパスメモリレトリバーである。 それは、人間のようなデュアルプロセス認識をレトリバーに埋め込む。 一定の予算とレイテンシの制約の下で、ワンショット検索とフルコンテキスト推論を一貫して上回る。
  論文  参考訳（メタデータ） (2026-03-10T06:31:44Z)
• Remember Me, Refine Me: A Dynamic Procedural Memory Framework for Experience-Driven Agent Evolution [52.76038908826961]
  我々は静的ストレージと動的推論のギャップを埋めるため、$textbfReMe$ ($textitRemember Me, Refine Me$)を提案する。 ReMeは3つのメカニズムを通じてメモリライフサイクルを革新する: $textitmulti-faceted distillation$, きめ細かい経験を抽出する。 BFCL-V3とAppWorldの実験では、ReMeが新しい最先端のエージェントメモリシステムを確立している。
  論文  参考訳（メタデータ） (2025-12-11T14:40:01Z)

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。