論文の概要: MindMemOS: A Portable and Self-Evolving Memory Operating Layer for AI Agents
- arxiv url: http://arxiv.org/abs/2608.12428v1
- Date: Wed, 12 Aug 2026 11:29:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-14 18:29:38.281985
- Title: MindMemOS: A Portable and Self-Evolving Memory Operating Layer for AI Agents
- Title（参考訳）: MindMemOS - AIエージェントのためのポータブルで自己進化型のメモリ運用層
- Abstract要約: メモリはAIエージェントの中核的なコンポーネントであり、経験の蓄積、パーソナライゼーションの維持、長期的なインタラクションへの適応を可能にする。
我々はMindMemOSについて述べる。MindMemOSは、オープンワールド情報を統一されたエンティティプロパティー時間構造を用いて整理する、ポータブルで自己進化的なメモリ操作層である。
MindMemOSはシナリオ適応型メモリモデリング、高次パターン発見、自律型メモリリファインメント、継続的なスキル進化をサポートする。
- 参考スコア（独自算出の注目度）: 31.48763155266752
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Memory is a core component of AI agents, enabling them to accumulate experience, maintain personalization, and adapt over long-term interactions. However, existing memory systems often remain fixed after development, limiting their ability to adapt their memory models, organization strategies, and procedural knowledge through continued use. We present MindMemOS, a portable and self-evolving memory operating layer that organizes open-world information using a unified entity property timestructure. MindMemOS supports scenario-adaptive memory modeling, higher-order pattern discovery, autonomous memory refinement, and continuous skill evolution. Its MindMemEvolve algorithm employs validation-driven evolutionary search to optimize memory schemas for target scenarios, whiledreaming consolidates accumulated memories by merging redundant records and resolving conflicts. In addition, implicit corrective feedback serves as a human-in-the-loop signal for identifying and revising potentially inaccurate or misaligned memories. Its MindSkillEvolve algorithm further transforms agent execution trajectories into reusable and progressively refined skills. MindMemOS achieves 94.03% accuracy on LOCOMO and 70.63% on PersonaMem. MindSkillEvolve improves SpreadsheetBench success by 9.2 percentage points over the initial-skill baseline.
- Abstract（参考訳）: メモリはAIエージェントの中核的なコンポーネントであり、経験の蓄積、パーソナライゼーションの維持、長期的なインタラクションへの適応を可能にする。
しかし、既存のメモリシステムは開発後も固定状態のままであり、メモリモデル、組織戦略、手続き的な知識の継続的な使用を制限している。
我々はMindMemOSについて述べる。MindMemOSは、オープンワールド情報を統一されたエンティティプロパティー時間構造を用いて整理する、ポータブルで自己進化的なメモリ操作層である。
MindMemOSはシナリオ適応型メモリモデリング、高次パターン発見、自律型メモリリファインメント、継続的なスキル進化をサポートする。
MindMemEvolveアルゴリズムは、検証駆動の進化的探索を使用して、ターゲットシナリオのメモリスキーマを最適化する一方で、冗長なレコードをマージして競合を解決することで、蓄積したメモリを集約する。
さらに、暗黙の修正フィードバックは、潜在的に不正確なまたは不正確な記憶を特定し、修正するための、ループ内の人間信号として機能する。
そのMindSkillEvolveアルゴリズムは、エージェントの実行軌跡を再利用および段階的に洗練されたスキルに変換する。
MindMemOSはLOCOMOで94.03%、PersonaMemで70.63%の精度を達成した。
MindSkillEvolveは、最初のスキルベースラインよりもスプレッドシートベンチの成功率を9.2%向上させた。
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) - AutoMem: Automated Learning of Memory as a Cognitive Skill [63.07128029793901]
記憶の専門知識は学習したスキルであることを示す。
メモリ管理の2つの軸を自動化するフレームワークであるAutoMemを紹介する。
その結果,メモリ管理は独立して学習可能なスキルであることが示唆された。
論文 参考訳（メタデータ） (2026-07-01T17:57:03Z) - 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) - Learning How and What to Memorize: Cognition-Inspired Two-Stage Optimization for Evolving Memory [53.8372503928207]
大規模言語モデル(LLM)エージェントは、一貫したパーソナライゼーションのために長期のユーザメモリを必要とする。
既存のメモリシステムは、主に静的で手作りの更新ルールに依存している。
MemCoEは認知にインスパイアされた2段階最適化フレームワークで、どのようにメモリを整理し、どの情報を更新すべきかを学ぶ。
論文 参考訳（メタデータ） (2026-05-01T14:45:20Z) - Learning to Continually Learn via Meta-learning Agentic Memory Designs [22.10429892509733]
ALMA(Automated Meta-Learning of Memory Design for Agentic Systems)は、手作業によるメモリ設計を置き換えるために、メモリ設計をメタ学習するフレームワークである。
提案手法では,実行可能コードとして表現されたメモリ設計をオープンな方法で検索するメタエージェントを用いる。
論文 参考訳（メタデータ） (2026-02-08T01:20:49Z) - MetaMem: Evolving Meta-Memory for Knowledge Utilization through Self-Reflective Symbolic Optimization [57.17751568928966]
自己進化型メタメモリでメモリシステムを拡張するフレームワークであるMetaMemを提案する。
メタメモリ最適化の間、MetaMemは異なるタスク間で伝達可能な知識利用経験を反復的に蒸留する。
大規模な実験ではMetaMemの有効性が示され、これは強いベースラインを3.6%以上上回っている。
論文 参考訳（メタデータ） (2026-01-27T04:46:23Z) - 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) - 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) - Dynamic Affective Memory Management for Personalized LLM Agents [1.7600011132381626]
情緒的シナリオのための新しいメモリ管理システムを提案する。
本システムは,パーソナライズ,論理コヒーレンス,精度において優れた性能を発揮する。
我々の研究は、長期記憶システムの設計に関する新たな洞察を提供する。
論文 参考訳（メタデータ） (2025-10-31T12:12:51Z) - 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)
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。