論文の概要: HyperSkill: Self-Evolving LLM Agents via Hypergraph-Structured Skill Memory
- arxiv url: http://arxiv.org/abs/2608.16114v1
- Date: Mon, 17 Aug 2026 05:10:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.544218
- Title: HyperSkill: Self-Evolving LLM Agents via Hypergraph-Structured Skill Memory
- Title（参考訳）: ハイパースキル:ハイパーグラフ構造化スキルメモリによる自己進化型LDMエージェント
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.6156240053949866
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As agentic tasks grow in complexity, LLM agents increasingly rely on experiential memory to reuse procedural knowledge across tasks. Effective memory design must jointly address what to store, how memory is structured and retrieved, and how memory evolves. Existing systems tackle each only partially: they store trajectories, insights, or workflows as isolated entries, discarding compositional relationships among subtasks and reusable skills; retrieve by flat embedding similarity that ignores relational signals; and maintain memory without leveraging its relational structure. We propose HyperSkill, a hypergraph-based memory framework that jointly improves all three. HyperSkill represents memory as a hypergraph with two node types, subtask steps and reusable skills, where each hyperedge links the subtasks and skills from a single trajectory. Dual-path retrieval queries both subtask and trajectory levels, ranking skills by co-occurrence across retrieved trajectories. Periodic structure-informed maintenance prunes low-utility nodes and merges redundant skills via quality-weighted propagation. Across xBench, GAIA, and WebWalkerQA with GPT-4o and Qwen3-30B-A3B, HyperSkill outperforms ten memory baselines, yielding gains of up to +11.51 on GAIA and +11.18 on WebWalkerQA.
- Abstract（参考訳）: エージェントタスクが複雑化するにつれて、LLMエージェントはタスク間の手続き的知識を再利用するために経験的メモリに依存している。
効果的なメモリ設計は、保存すべきもの、メモリの構造と検索方法、メモリの進化方法に共同で対処する必要がある。
既存のシステムは、トラジェクトリ、洞察、ワークフローを独立したエントリとして格納し、サブタスク間の構成関係を破棄し、再利用可能なスキルを再利用する。
ハイパーグラフベースのメモリフレームワークであるHyperSkillを提案する。
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。
サブタスクとトラジェクトリレベルの両方のデュアルパス検索クエリ、検索されたトラジェクトリ間の共起によるランキングスキル。
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を使用し、品質重み付けの伝搬を通じて冗長なスキルをマージする。
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。
関連論文リスト
- ERSkill: Evolving for Skill-Guided Adaptive Memory Retrieval [8.099546846655196]
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。
論文 参考訳（メタデータ） (2026-08-13T02:06:01Z) - Agent Memory Distillation: Empowering Small LLM Agents with Hierarchical Teacher Memory [49.6908961629532]
エージェントメモリ蒸留(Agen Memory Distillation、AMD)は、大規模な教師エージェントから階層的な記憶を通じて、構造化された知識を小さな学生エージェントに転送する、トレーニング不要のフレームワークである。
メモリはタスクレベルの戦略を符号化し、サブタスクメモリは具体的な振る舞いの例を提供し、ファンクションメモリは関数ごとの呼び出し規約をキャプチャする。
GPT-5-miniを教師とする4つの学生モデル(4B-8Bパラメータ)を用いた3つのツールユースベンチマークでAMDを評価し,平均精度27.2%p,11.2%p,3.4%pのAppWorld,BFCL Vを用いた。
論文 参考訳（メタデータ） (2026-08-07T12:43:00Z) - Memory as a Controlled Process: Learned Adaptive Memory Management for LLM Agents [72.3752981234916]
大きな言語モデル(LLM)エージェントは、タスク間の経験を蓄積するために、外部メモリシステムに依存している。
メモリ操作をマルコフ決定プロセスとしてモデル化するフレームワークである制御プロセス(MemCon)としてメモリを提示する。
MemConは、複数のメモリベースラインのタスク成功率を最大15.2ポイント上回り、トークン消費量を5-20%削減している。
論文 参考訳（メタデータ） (2026-07-15T08:32:40Z) - 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) - Mandol: An Agglomerative Agent Memory System for Long-Term Conversations [19.51654277630379]
Mandolは、断片化されたメモリ表現とストレージを統一されたメモリネイティブアーキテクチャに統合する集約型メモリシステムである。
マンドルは代表エージェントメモリシステムの中で最高の全体的な精度を達成する。
論文 参考訳（メタデータ） (2026-06-29T04:43:29Z) - HAGE: Harnessing Agentic Memory via RL-Driven Weighted Graph Evolution [4.180315687162217]
HAGEはエージェント型大規模言語モデル(LLM)システムのための重み付きマルチリレーショナルメモリフレームワークである。
クエリが与えられた場合、LLMベースの分類器はリレーショナルインテントを識別し、ルーティングネットワークはエッジ埋め込みの対応する次元を動的に変調する。
トラバーサルスコアは、意味的類似性とこれらのクエリ条件付きエッジ表現の学習された組み合わせによって計算される。
論文 参考訳（メタデータ） (2026-05-11T03:41:18Z) - HyperMem: Hypergraph Memory for Long-Term Conversations [26.215990473973665]
長期的な記憶は、会話エージェントがコヒーレンスを維持し、永続的なタスクを追跡し、拡張された対話を通してパーソナライズされた対話を提供するのに不可欠である。
ハイパーグラフに基づく階層型メモリアーキテクチャであるHyperMemを提案する。
我々は,HyperMemが92.73% LLM-as-a-judgeの精度で最先端性能を実現し,長期会話におけるHyperMemの有効性を実証した。
論文 参考訳（メタデータ） (2026-04-09T13:43:23Z) - PlugMem: A Task-Agnostic Plugin Memory Module for LLM Agents [74.4491017652226]
タスク固有の再設計なしに任意のLLMエージェントにアタッチ可能なタスク非依存メモリモジュールであるPlugMemを提案する。
意思決定関連情報が生の経験よりも抽象的な知識として集中しているという事実に感銘されて、認識科学に焦点をあてて、エピソード記憶をコンパクトで知識中心の記憶グラフに構造化する。
PlugMemを3つのベンチマーク(長期会話型質問応答、マルチホップ知識検索、Webエージェントタスク)で評価する。
論文 参考訳（メタデータ） (2026-02-06T18:55:38Z) - Learning to Share: Selective Memory for Efficient Parallel Agentic Systems [49.78267008828593]
エージェントシステムは、反復的に推論する複数のエージェントを調整することで複雑なタスクを解決し、ツールを呼び出し、中間結果を交換する。
最近のアプローチでは、さまざまな推論の軌跡を探索するために、複数のエージェントチームが並行して運用されている。
我々は並列エージェントフレームワークのための学習された共有メモリ機構であるLearning to Share (LTS)を提案する。
論文 参考訳（メタデータ） (2026-02-05T18:20:21Z) - 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) - G-Memory: Tracing Hierarchical Memory for Multi-Agent Systems [44.844636264484905]
大規模言語モデル (LLM) を利用したマルチエージェントシステム (MAS) は、単一のLLMエージェントよりもはるかに高い認知と実行能力を示している。
組織記憶理論に触発されたMASのための階層型エージェントメモリシステムG-Memoryを紹介する。
Gメモリは、インボディードアクションの成功率と知識QAの精度を、それぞれ20.89%$と10.12%$で改善する。
論文 参考訳（メタデータ） (2025-06-09T03:43:46Z)
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。