論文の概要: EvoMem: Memory-Augmented Evolution for Code Optimization

• arxiv url: http://arxiv.org/abs/2608.10795v1
• Date: Tue, 11 Aug 2026 11:03:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:46.011608
• Title: EvoMem: Memory-Augmented Evolution for Code Optimization
• Title（参考訳）: EvoMem: コード最適化のためのメモリ拡張進化
• Abstract要約: 進化的プログラム探索のための永続的メモリアーキテクチャであるEvoMemを紹介する。 EvoMemは、成功した突然変異イベントを将来の実行のための構造化されたタスク対応アドバイスに変換する。 実験の結果,最も評価の高い設定に対して,目標値や検索速度の平均的な改善が認められた。
• 参考スコア（独自算出の注目度）: 7.069994048454947
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Successful mutation strategies in evolutionary code search may contain reusable knowledge that is useful beyond a single run, and in some cases may transfer across related tasks and domains. However, existing LLM-driven evolutionary frameworks largely discard such knowledge, repeatedly rediscovering similar ideas and limiting opportunities for cross-run and cross-task learning. We introduce EvoMem, a persistent memory architecture for LLM-based evolutionary program search that captures and reuses candidate mutation knowledge. EvoMem converts successful mutation events into structured, task-aware advice for future runs. It operates in two phases: after each run, it extracts and stores promising ideas with provenance, and during subsequent evolution, it retrieves a small set of relevant instructions based on the current task and program context to guide mutation. Across geometric optimization, multi-hop question answering, GPU kernel optimization, and related benchmarks, our experiments show positive average improvements in target metrics or search speed for most evaluated settings, while also revealing variability across tasks. Overall, EvoMem provides evidence that persistent memory can reduce some redundant exploration and improve the reuse and adaptation of successful strategies in LLM-driven evolutionary search.
• Abstract（参考訳）: 進化的コード検索における突然変異戦略の成功には、単一の実行を超えて有用な再利用可能な知識が含まれており、場合によっては関連するタスクやドメイン間で伝達されることがある。 しかし、既存のLLM主導の進化的フレームワークは、そのような知識を捨て、同様の考えを繰り返し再発見し、クロスラン学習とクロスタスク学習の機会を制限する。 本稿では,LLMに基づく進化的プログラム探索のための永続メモリアーキテクチャであるEvoMemを紹介する。 EvoMemは、成功した突然変異イベントを将来の実行のための構造化されたタスク対応アドバイスに変換する。 それぞれの実行後に、期待できるアイデアを前向きに抽出して保存し、その後の進化の間に、現在のタスクとプログラムコンテキストに基づいて、関連する命令の小さなセットを取得して、突然変異を誘導する。 幾何的最適化,マルチホップ質問応答,GPUカーネル最適化,および関連するベンチマークを通じて,我々の実験は,最も評価の高い設定に対して,目標メトリックや探索速度の肯定的な平均的改善を示しながら,タスク間のばらつきを明らかにした。 全体として、EvoMemは、永続メモリが冗長な探索を減らし、LSM駆動の進化探索における成功戦略の再利用と適応を改善する証拠を提供する。

関連論文リスト

• Self-Evolving Memory for Generative Recommendation [100.15207958893029]
  生成的レコメンデーションは、パーソナライズされたレコメンデーションのための有望なエンドツーエンドパラダイムとして登場した。 継続的再訓練や蒸留に基づく適応といった既存の進化戦略は、共有モデルパラメータを直接更新する。 本稿では,異種行動パターン間の効果的な進化を実現することを目的とした,自己進化型メモリパラダイムを提案する。
  論文  参考訳（メタデータ） (2026-09-14T14:00:38Z)
• Teaching LLMs to Self-Evolve: Cultivating Core Meta-Skills with Reinforcement Learning [51.17262419591891]
  AlphaEvolveが示すように、環境フィードバックによる反復的自己進化によるテスト時間のスケーリングは、顕著なパフォーマンス向上を示している。 本稿では,データ合成パイプライン,進化対応強化学習,推論時進化探索によるメタスキル開発を目的としたMetaEvolveを提案する。
  論文  参考訳（メタデータ） (2026-07-24T04:35:29Z)
• What Do Evolutionary Coding Agents Evolve? [46.561777689365165]
  EvoTraceは4つの進化的フレームワーク、推論と非推論モデル、数学とアルゴリズム設計にまたがる16のタスクからなる進化的コーディングトレースのデータセットである。 本研究では,これらのトレースを,ハイスコアソリューションの裏側にある局所的な検索状態を再構成するリプレイベースの手法であるEvoReplayを用いて解析する。 EvoTrace全体では、ほとんどのスコアはこれらの編集タイプの小さなサブセットから得ている。
  論文  参考訳（メタデータ） (2026-05-19T16:41:45Z)
• 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)
• EvoX: Meta-Evolution for Automated Discovery [115.89434419482797]
  EvoXは、独自の進化過程を最適化する適応進化法である。 進捗に応じて、事前のソリューションが選択され、どのように変化するかを継続的に更新する。 AlphaEvolve, OpenEvolve, GEPA, ShinkaEvolveなどの既存のAI駆動の進化的手法を、タスクの大部分で上回っている。
  論文  参考訳（メタデータ） (2026-02-26T18:54:41Z)
• DeltaEvolve: Accelerating Scientific Discovery through Momentum-Driven Evolution [28.737322041874293]
  LLM駆動の進化系は、自動科学発見の可能性を証明している。 AlphaEvolveのような既存のアプローチは、文脈非効率なフルコード履歴に依存している。 本稿では,完全なコード履歴を構造化セマンティックデルタに置き換える運動量駆動型進化的フレームワークDeltaEvolveを提案する。
  論文  参考訳（メタデータ） (2026-02-02T23:47:54Z)
• Controlled Self-Evolution for Algorithmic Code Optimization [33.82967000330864]
  自己進化的手法は、反復的な"生成-検証-精細"サイクルを通じてコード生成を強化する。 既存のアプローチでは、限られた予算内で優れた複雑さを持つソリューションを見つけることができません。 本稿では3つのキーコンポーネントからなる制御自己進化(CSE)を提案する。
  論文  参考訳（メタデータ） (2026-01-12T09:23:13Z)
• 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)
• GigaEvo: An Open Source Optimization Framework Powered By LLMs And Evolution Algorithms [7.228213026504935]
  GigaEvoはオープンソースのフレームワークで、研究者はLLM-進化のハイブリッドアプローチを研究、実験することができる。 今後の研究を支援するために,システムアーキテクチャ,実装決定,実験方法論の詳細な説明を行う。
  論文  参考訳（メタデータ） (2025-11-17T14:44:47Z)
• When Large Language Models Meet Evolutionary Algorithms: Potential Enhancements and Challenges [50.280704114978384]
  事前訓練された大規模言語モデル(LLM)は、自然なテキストを生成する強力な能力を示す。 進化的アルゴリズム(EA)は、複雑な現実世界の問題に対する多様な解決策を発見できる。
  論文  参考訳（メタデータ） (2024-01-19T05:58:30Z)

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。