論文の概要: Towards a Formal Definition of Agent Memory: Basis, Span, Optimality, and the Sequential Memory Problem

• arxiv url: http://arxiv.org/abs/2608.11654v1
• Date: Wed, 12 Aug 2026 04:54:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.453191
• Title: Towards a Formal Definition of Agent Memory: Basis, Span, Optimality, and the Sequential Memory Problem
• Title（参考訳）: エージェント記憶の形式的定義に向けて : 基底, 幅, 最適性, 逐次記憶問題
• Abstract要約: メモリが何であるか、いつ最適かに関する統一的な公式な説明はない。 中心的な考え方は、記憶は基礎であり、知識はその範囲であり、答え可能性はカバレッジの問題である。 最適なメモリは、期待されるカバレッジのキャパシティ制限された最大値である。
• 参考スコア（独自算出の注目度）: 12.078734827417685
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Despite the wide deployment of memory in large-model agents, there is no unified formal account of what a memory is or when it is optimal. This paper takes a first step toward this account. The central idea is that memory is a basis, knowledge is its span, and answerability is a coverage problem: an agent stores events extracted from a material; a generation operator turns any event set into the knowledge it entails; and a query is answerable exactly when some single item in the span covers it. The optimal memory is then the capacity-constrained maximizer of expected coverage, and its value traces a utility--capacity frontier, the common yardstick on which memory systems can be compared. Next, we consider noise in the memory and discuss coverage versus precision under it: a memory may store false claims, so the write policy must infer the truth of what it stores. Drawing an analogy with biological memory, which is formed continuously through ongoing experience, we formalize the continual agent-memory problem in a sequential MDP that covers multiple levels, where memory is the state, writing is the action, and the utility settled at query time is the delayed reward that drives learning. To make the framework concrete, we instantiate it on Homer's \emph{Odyssey}, turning the frontier, the compression zone, and the divergence of coverage from precision into concrete numbers. Finally, we position existing systems within the framework, making ``how good is a memory'' measurable and recasting the open problems of constructing and learning agent memory as concrete research questions.
• Abstract（参考訳）: 大規模なモデルエージェントにメモリが広く配置されているにもかかわらず、メモリが何であるか、いつ最適かという統一的な公式な説明は存在しない。 本稿は、この説明に向けて第一歩を踏み出します。 エージェントは材料から抽出されたイベントを格納し、生成操作者は、任意のイベントセットを関連する知識に変換する。 最適なメモリは、期待されるカバレッジのキャパシティ制限された最大値であり、その値は、メモリシステムが比較可能な共通のヤードスティックであるユーティリティ・キャパシティ・フロンティアをトレースする。 次に、メモリ内のノイズを考慮し、その下のカバレッジと精度について議論する。メモリは偽のクレームを格納する可能性があるため、書き込みポリシは、それが格納するものの真実を推測する必要がある。 連続的な体験を通じて連続的に形成される生物学的メモリの類似を描画し,記憶が状態,書き込みが動作,クエリ時に解決されたユーティリティが学習を促進する遅延報酬である複数のレベルをカバーする逐次MDPにおいて,連続的なエージェントメモリ問題を定式化する。 フレームワークを具体化するために、Homer の \emph{Odyssey} でそれをインスタンス化し、フロンティア、圧縮ゾーン、そして精度から具体的な数へのカバレッジのばらつきを変換する。 最後に、我々は既存のシステムをフレームワーク内に配置し、 'How good is a memory' を計測可能とし、エージェントメモリの構築と学習に関するオープンな問題を具体的な研究課題として再放送する。

関連論文リスト

• MemSyco-Bench: Benchmarking Sycophancy in Agent Memory [32.49512092540906]
  MemSyco-Benchは、エージェントシステムにおけるメモリ誘起性を評価するためのベンチマークである。 MemSyco-Benchは、いつメモリが決定に影響を及ぼすか、どのように有効なメモリを使用するかを測定する。
  論文  参考訳（メタデータ） (2026-07-01T15:30:33Z)
• 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)
• Remember the Decision, Not the Description: A Rate-Distortion Framework for Agent Memory [120.68750043918249]
  記憶は、決定にとって重要な区別を、記述ではなく保存すべきであることを示す。 DeMemは,共有状態が決定競合を誘発することを示すデータに対してのみ,分割を洗練させるオンラインメモリ学習システムである。
  論文  参考訳（メタデータ） (2026-05-11T17:20:58Z)
• Contextual Agentic Memory is a Memo, Not True Memory [3.939241105154204]
  我々は、ルックアップをメモリとして扱うことは、エージェント能力、長期学習、セキュリティの証明可能な結果を伴うカテゴリエラーであると主張する。 生体知能は, 高速海馬貯蔵と低速大脳皮質体重統合を併用することによりこの問題を解決した。
  論文  参考訳（メタデータ） (2026-04-30T10:54:56Z)
• 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)
• Memory Matters More: Event-Centric Memory as a Logic Map for Agent Searching and Reasoning [55.251697395358285]
  大規模言語モデル(LLM)は、環境を推論し、計画し、相互作用するインテリジェントエージェントとして、ますます多くデプロイされている。 長期のシナリオに効果的にスケールするには、そのようなエージェントの重要な機能は、過去の経験を保持し、整理し、取り出すことができるメモリメカニズムである。 イベント理論にインスパイアされたイベント中心のメモリフレームワークであるCompassMemを提案する。
  論文  参考訳（メタデータ） (2026-01-08T08:44:07Z)
• 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)
• Evaluating Long-Term Memory for Long-Context Question Answering [100.1267054069757]
  質問応答タスクにアノテートした合成長文対話のベンチマークであるLoCoMoを用いて,メモリ拡張手法の体系的評価を行う。 以上の結果から,メモリ拡張アプローチによりトークン使用率が90%以上削減され,競争精度が向上した。
  論文  参考訳（メタデータ） (2025-10-27T18:03:50Z)
• Multiple Memory Systems for Enhancing the Long-term Memory of Agent [9.43633399280987]
  MemoryBankやA-MEMといった既存の手法は、記憶されているメモリの質が劣っている。 我々は認知心理学理論にインスパイアされた多重記憶システムを設計した。
  論文  参考訳（メタデータ） (2025-08-21T06:29:42Z)

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。