論文の概要: ERSkill: Evolving for Skill-Guided Adaptive Memory Retrieval

• arxiv url: http://arxiv.org/abs/2608.12720v1
• Date: Thu, 13 Aug 2026 02:06:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.365817
• Title: ERSkill: Evolving for Skill-Guided Adaptive Memory Retrieval
• Title（参考訳）: ERSkill: スキルガイドによる適応型メモリ検索のための進化
• Abstract要約: ERSkillは自己進化型、スキル誘導型メモリアクセスのための検索中心のフレームワークである。 トレーニング中にスキルセットとルータを共同で進化させ、継続的な改善を可能にします。 非進化的かつ自己進化的なベースラインを著しく上回る。
• 参考スコア（独自算出の注目度）: 8.099546846655196
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While Large Language Model (LLM) agents increasingly rely on long-term memory for persistent interactions, the retrieval mechanisms governing this memory are rarely treated as evolvable components. This static approach limits performance on heterogeneous memory queries, which often demand diverse evidence construction strategies. To address this, we introduce \textbf{ERSkill}, a retrieval-centric framework for self-evolving, skill-guided memory access. ERSkill compiles interaction histories into a structured memory store and represents retrieval behaviors as executable skills composed of fundamental primitives. At inference time, a trained router dynamically matches each query to the optimal skill to construct tailored evidence for answer generation. To enable continuous improvement, ERSkill co-evolves the skill set and the router during training. It employs an experience trie to efficiently record explored retrieval paths, alongside a double-frontier mechanism that safely decouples the expansion of new skill capabilities from stable, router-facing deployment. Experiments across multiple agent memory benchmarks demonstrate that ERSkill substantially outperforms strong non-evolving and self-evolving baselines. Notably, it improves the overall average across F1, BLEU-1, and LLM-judge scores by 31.3\% with Qwen3-Next-80B-A3B-Instruct and by 28.1\% with GPT-5.4-nano.
• Abstract（参考訳）: 大きな言語モデル(LLM)エージェントは、永続的な相互作用のために長期記憶に依存していることが多いが、このメモリを管理する検索機構は進化可能なコンポーネントとして扱われることは稀である。 この静的アプローチは、多種多様なエビデンス構築戦略を必要とするヘテロジニアスメモリクエリのパフォーマンスを制限する。 そこで我々は,自己進化型,スキル誘導型メモリアクセスのための検索中心のフレームワークである \textbf{ERSkill} を紹介する。 ERSkillはインタラクション履歴を構造化メモリストアにコンパイルし、基本的なプリミティブで構成された実行可能なスキルとして検索動作を表現する。 推論時に、訓練されたルータは、各クエリを最適なスキルに動的にマッチングし、回答生成のための調整されたエビデンスを構築する。 継続的改善を実現するため、ERSkillはトレーニング中にスキルセットとルータを共同で進化させる。 探索された検索パスを効率的に記録するエクスペリエンストライと、安定したルータ対応デプロイメントから新たなスキル機能の拡張を安全に分離するダブルフロンティア機構を使用している。 複数のエージェントメモリベンチマークによる実験では、ERSkillは強力な非進化的ベースラインと自己進化的ベースラインを著しく上回っている。 特に、Qwen3-Next-80B-A3B-Instruct で F1, BLEU-1, LLM-judge のスコアを 31.3 %、GPT-5.4-nano で 28.1 % 改善している。

関連論文リスト

• HyperSkill: Self-Evolving LLM Agents via Hypergraph-Structured Skill Memory [3.6156240053949866]
  HyperSkillは2つのノードタイプ、サブタスクステップと再利用可能なスキルを備えたハイパーグラフとしてメモリを表現している。 周期的構造インフォームドメンテナンスは、低ユーティリティノードと冗長なマージスキルを品質重み付けの伝搬を通じて実現する。 GPT-4o と Qwen3-30B-A3B で xBench, GAIA, WebWalkerQA にまたがって、HyperSkill は 10 のメモリベースラインを上回り、GAIA では +11.51、WebWalkerQA では +11.18 となる。
  論文  参考訳（メタデータ） (2026-08-17T05:10:27Z)
• OPD-Evolver: Cultivating Holistic Agent Evolver via On-Policy Distillation [71.57258488733974]
  メモリは、自己進化エージェントの標準的な基盤になっているが、その経験を維持することは、それを通して進化する方法を学ぶことと同じではない。 OPD-Evolver(英語版)は、政策上の自己蒸留を通じて、そのようなエージェントを進化させる緩やかな共進化フレームワークである。
  論文  参考訳（メタデータ） (2026-06-16T07:33:53Z)
• SaliMory: Orchestrating Cognitive Memory for Conversational Agents [22.813290545851743]
  SALIMORYは、認知的に構造化されたメモリスパンニングされたユーザファクト、好み、ワーキングメモリを管理するために単一の言語モデルをトレーニングするフレームワークである。 メモリ分散障害を3分の1削減し、エンドツーエンドの精度で最先端を10%以上上回り、良質なパーソナライゼーション率を2倍以上に向上させる。
  論文  参考訳（メタデータ） (2026-06-02T18:31:50Z)
• MemTrain: Self-Supervised Context Memory Training [40.64801276577851]
  既存のメモリエージェントアプローチは通常、下流タスクで強化学習を施したエンドツーエンドで訓練される。 MemTrainは、LLMエージェントのコンテキストメモリ能力を高めるための自己教師型トレーニングフレームワークである。 MemTrainは、異なるモデル間のダウンストリームメモリ集約推論性能を一貫して改善する。
  論文  参考訳（メタデータ） (2026-06-02T05:56:24Z)
• Dynamic Mixture of Latent Memories for Self-Evolving Agents [57.20419419302731]
  MoLEMは、動的混合(MoE)に基づく潜在メモリフレームワークの生成混合物である。 我々は、数学、科学、コードドメインにまたがる連続的な学習シーケンスに基づいて、このフレームワークを訓練する。 連続学習を完了した後、Vanilla事前学習ベースラインよりも平均精度を10.40%向上させる。
  論文  参考訳（メタデータ） (2026-05-21T03:35:10Z)
• 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)
• MemSkill: Learning and Evolving Memory Skills for Self-Evolving Agents [29.375397774491887]
  ほとんどのLarge Language Model (LLM) エージェントメモリシステムは、メモリを抽出するために静的で手作業で設計された小さな操作に頼っている。 textbfMemSkillは、これらの操作を学習可能で進化可能なメモリスキルとして再構成する。
  論文  参考訳（メタデータ） (2026-02-02T18:53:28Z)
• 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)
• 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)
• MEM1: Learning to Synergize Memory and Reasoning for Efficient Long-Horizon Agents [84.62985963113245]
  我々は,長時間のマルチターンタスクに対して,エージェントが一定のメモリで動作可能な,エンドツーエンドの強化学習フレームワークMEM1を紹介する。 各ターンでMEM1は、メモリ統合と推論を共同でサポートするコンパクトな共有内部状態を更新する。 その結果,MEM1-7Bは16目的のマルチホップQAタスクにおいて,Qwen2.5-14B-Instructと比較してメモリ使用量を3.7倍削減し,3.5倍の性能向上を示す。
  論文  参考訳（メタデータ） (2025-06-18T19:44:46Z)

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。