論文の概要: AutoMem: A Text-Gradient Recursive Self-Improvement Framework for Automated Memory Architectures Search
- arxiv url: http://arxiv.org/abs/2608.14621v1
- Date: Tue, 14 Jul 2026 06:41:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.239028
- Title: AutoMem: A Text-Gradient Recursive Self-Improvement Framework for Automated Memory Architectures Search
- Title（参考訳）: AutoMem: 自動メモリアーキテクチャ検索のためのテキストグラディエントな再帰的自己改善フレームワーク
- Abstract要約: textscAutoMemはタスク適応型メモリアーキテクチャ検索のためのテキスト段階の自己改善フレームワークである。
textscAutoMemは、人間が設計した最強のメモリベースラインを上回るタスク適応型メモリアーキテクチャを一貫して発見する。
- 参考スコア（独自算出の注目度）: 31.37888741817974
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Long-term memory is increasingly central to LLM agents, yet memory design remains a highly coupled architecture problem: what to encode, how to store it, how to retrieve it, and how to manage it can vary substantially across tasks and backbone models. We construct a discrete search space with 5 encoders, 5 stores, 6 retrievers, and 4 managers, and show that no single memory architecture consistently dominates: different tasks favor different module combinations, leading to substantial performance gaps. Motivated by this, we propose \textsc{AutoMem}, a text-gradient recursive self-improvement framework for task-adaptive memory architecture search. \textsc{AutoMem} optimizes over the factored space through two components: Experience-Guided Architecture Search, which proposes candidate architectures from historical search trajectories and accumulated reflections, and Failure-Guided Module Diagnosis, which localizes memory-related failures to specific modules and converts them into targeted textual feedback. Experiments on GAIA, WebWalkerQA, and xBench-DeepSearch across two LLM backbones show that \textsc{AutoMem} consistently discovers task-adaptive memory architectures that outperform the strongest human-designed memory baselines, improving accuracy by $2.8$ points on average across six benchmark-backbone settings. Further analysis shows that \textsc{AutoMem} achieves a favorable accuracy-efficiency trade-off, reducing token cost by $14.3\%$ over the strongest accuracy baselines under Qwen3.5-122B-A10B, while also finding stronger architectures than substantially larger random searches within only a few guided iterations.
- Abstract（参考訳）: LLMエージェントでは長期記憶がますます中心になっているが、メモリ設計は、何をエンコードするか、どのように保存するか、どのように取り出すか、どのように管理するかといった、高度に結合したアーキテクチャの問題のままである。
5つのエンコーダ、5つのストア、6つのレトリバー、4つのマネージャを持つ個別の検索空間を構築し、単一のメモリアーキテクチャが常に支配的でないことを示す。
そこで本研究では,タスク適応型メモリアーキテクチャ検索のためのテキスト段階的再帰的自己改善フレームワークである‘textsc{AutoMem} を提案する。
Experience-Guided Architecture Searchは、履歴検索や蓄積されたリフレクションから候補アーキテクチャを提案するもので、Failure-Guided Module Diagnosisは、メモリ関連の障害を特定のモジュールにローカライズし、ターゲットとするテキストフィードバックに変換する。
GAIA、WebWalkerQA、xBench-DeepSearchを2つのLCMバックボーンで実験した結果、 \textsc{AutoMem} はタスク適応型メモリアーキテクチャを一貫して発見し、6つのベンチマークバックボーン設定で平均2.8ドルポイントの精度向上を実現している。
さらなる分析により、 textsc{AutoMem} は、Qwen3.5-122B-A10B における最強の精度ベースラインよりも、トークンコストを 14.3 % 削減し、数回のガイド付きイテレーションで、より大きなランダム検索よりも強力なアーキテクチャを見出した。
関連論文リスト
- MemGym: a Long-Horizon Memory Environment for LLM Agents [69.79226770543049]
本稿では,エージェントメモリのベンチマークであるMemGymを紹介する。
MemGymは、メモリパフォーマンスを推論、検索、ツール使用能力から切り離すメモリアイソレーションスコアを報告している。
MEMGYM-CODEQAとMEMGYM-DRの合成パイプラインは、長さ制御可能であり、各ステージでアブレーションを検証可能であり、下流のシナリオと密に整合している。
論文 参考訳（メタデータ） (2026-05-20T07:25:33Z) - SAGE: A Self-Evolving Agentic Graph-Memory Engine for Structure-Aware Associative Memory [40.68349164818526]
本稿では,グラフメモリを動的長期記憶基板としてモデル化する自己進化型エージェントグラフメモリエンジンであるSAGEを紹介する。
SAGEには2つの役割がある: 相互作用履歴から構造化されたグラフメモリを漸進的に構成するメモリライタと、検索とメモリライタへのフィードバックを提供するGraph Foundation Modelベースのメモリリーダである。
論文 参考訳（メタデータ） (2026-05-12T12:47:43Z) - MemSearch-o1: Empowering Large Language Models with Reasoning-Aligned Memory Growth in Agentic Search [59.98962867649009]
本稿では,メモリ成長とリトラシングに基づくエージェント検索フレームワークであるMemSearch-o1を提案する。
MemSearch-o1はクエリからメモリシードトークンからきめ細かいメモリフラグメントを成長させ、コントリビューション関数を通じてメモリを再トレースし、深く洗練し、最終的にグローバルに接続されたメモリパスを再編成する。
論文 参考訳（メタデータ） (2026-04-19T05:35:06Z) - M$^\star$: Every Task Deserves Its Own Memory Harness [28.900347612231513]
大規模言語モデルエージェントは、拡張された相互作用の間、知識を蓄積し再利用するために、特別なメモリシステムに依存している。
最近のアーキテクチャでは、会話のセマンティック検索やコーディングに再利用されたスキルなど、特定のドメインに適した固定メモリ設計を採用するのが一般的である。
プログラムの進化を通じてタスク最適化メモリハーネスを自動的に検出する手法であるM$star$を紹介する。
論文 参考訳（メタデータ） (2026-04-10T03:22:26Z) - MemMA: Coordinating the Memory Cycle through Multi-Agent Reasoning and In-Situ Self-Evolution [52.29303869050117]
メモリ拡張LDMエージェントは、長期の相互作用をサポートするために外部メモリバンクを保持する。
MemMAはプラグアンドプレイのマルチエージェントフレームワークで、前方と後方の両方の経路に沿ってメモリサイクルを調整する。
論文 参考訳（メタデータ） (2026-03-19T10:15:59Z) - D-Mem: A Dual-Process Memory System for LLM Agents [3.5426740232689604]
本稿では,デュアルプロセスメモリシステムD-Memを紹介する。
ルーチンクエリに対する軽量なベクトル検索を維持しながら、フルリベレーションモジュールを高忠実度フォールバックとして確立している。
GPT-4o-miniとQwen3-235B-Instructを用いたLoCoMoとRealTalkのベンチマーク実験により,本手法の有効性が示された。
論文 参考訳（メタデータ） (2026-03-19T08:55:22Z) - 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) - Hierarchical Memory for High-Efficiency Long-Term Reasoning in LLM Agents [19.04968632268433]
大規模言語モデルエージェント(LLMエージェント)のための階層型メモリアーキテクチャを提案する。
各メモリベクトルは、次の層のセマンティック関連サブメモリを指し示す位置インデックスが埋め込まれている。
推論フェーズにおいて、インデックスベースのルーティング機構は、網羅的な類似性計算を行うことなく、効率的な層間検索を可能にする。
論文 参考訳（メタデータ） (2025-07-23T12:45:44Z) - ELASTIC: Efficient Once For All Iterative Search for Object Detection on Microcontrollers [5.162131184069973]
ELASTICは、モジュール間で周期的に最適化を交互に行う、ハードウェア対応の統一NASフレームワークである。
進化的探索における集団パススルー機構は、探索段階間の高品質な候補を保持し、より高速な収束をもたらす。
マイクロコントローラにデプロイすると、ELASTIC由来のモデルはAnalog DevicesのMCUSSDベースラインを上回り、エネルギーを最大71.6%削減し、レイテンシを最大2.4倍下げ、mAPを最大6.99ポイント改善した。
論文 参考訳（メタデータ） (2025-03-27T21:35:02Z) - AutoSTR: Efficient Backbone Search for Scene Text Recognition [80.7290173000068]
テキストインスタンスの多様性とシーンの複雑さのため、シーンテキスト認識(STR)は非常に難しい。
テキスト認識性能を向上させるために,データ依存のバックボーンを検索するための自動STR(AutoSTR)を提案する。
実験によると、データ依存のバックボーンを検索することで、AutoSTRは標準ベンチマークにおける最先端のアプローチより優れている。
論文 参考訳（メタデータ） (2020-03-14T06:51:04Z)
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。