論文の概要: Memory Is Communication: The Frontier Between Remembering and Signaling

• arxiv url: http://arxiv.org/abs/2608.17053v1
• Date: Mon, 17 Aug 2026 18:57:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.101008
• Title: Memory Is Communication: The Frontier Between Remembering and Signaling
• Title（参考訳）: 記憶はコミュニケーション:記憶と信号のフロンティア
• Abstract要約: 有界エージェントは、自分自身の過去、仲間、または両方の情報源から決定のための情報を取得することができる。 両方のリソースに制限がある場合、エージェントはどのように情報予算を割り当てるべきか? 私たちはその効率的な境界を思い出す--署名するフロンティアと呼んでいる。
• 参考スコア（独自算出の注目度）: 0.09999629695552194
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A bounded agent may obtain information for a decision from its own past, from peers, or from both sources. Retaining task-relevant history can reduce later communication, while a peer message can supply what memory lacks. Under limits on both resources, how should an agent allocate its information budget? Given a fixed task and decision rule, the memory and message rate pairs attaining a performance threshold form an achievable region under specified rules for using history and peer observations. We call its efficient boundary the remembering--signaling frontier. Across conditions where history permits the same maximum reduction in task loss, we hypothesize that a bounded agent will need less peer communication when it obtains a larger loss reduction from history. In preliminary referential games, target repetition coincided with shorter successful messages, while predictability from a hidden cyclic rule did not shorten them. Experiments varying memory and message rates can estimate the frontier and test this prediction across cooperative tasks.
• Abstract（参考訳）: 有界エージェントは、自分自身の過去、仲間、または両方の情報源から決定のための情報を取得することができる。 タスク関連履歴の保持は後続の通信を減らし、ピアメッセージは不足するメモリを供給できる。 両方のリソースに制限がある場合、エージェントはどのように情報予算を割り当てるべきか? 一定のタスクと決定ルールが与えられた場合、パフォーマンス閾値に達するメモリとメッセージのレートペアは、履歴とピアオブザーバを使用するための特定のルールの下で達成可能な領域を形成する。 私たちはその効率的な境界を思い出す--署名するフロンティアと呼んでいる。 履歴がタスク損失の最大化を許容する条件を越えて、歴史からより大きな損失削減が得られると、有界エージェントはピア通信をあまり必要としない、という仮説を立てる。 予備参照ゲームでは、ターゲットの繰り返しは短い成功メッセージと一致し、隠れた循環規則からの予測可能性も短いものではなかった。 メモリとメッセージレートの異なる実験は、フロンティアを推定し、協調作業間でこの予測をテストすることができる。

関連論文リスト

• Handover of In-Context Learning State Across Session Boundaries [5.457279006229211]
  我々は、タスク相対的なインコンテキスト学習状態の転送としてハンドオーバを定式化する。 均一性条件の下では、予測等価性は、最も粗い決定論的に十分なハンドオーバを特徴付ける。 決定と制約を正確に保存し、繰り返し証拠としてタスク正当統計を使い、元の観察を継続する三部記録を提案する。
  論文  参考訳（メタデータ） (2026-08-14T17:47:13Z)
• Towards a Formal Definition of Agent Memory: Basis, Span, Optimality, and the Sequential Memory Problem [12.078734827417685]
  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。
  論文  参考訳（メタデータ） (2026-08-12T04:54:26Z)
• MemOps: Benchmarking Lifecycle Memory Operations in Long-Horizon Conversations [50.24315431387575]
  ライフサイクル操作のシーケンスとして会話メモリを再構成するベンチマークであるMemOpsを紹介する。 MemOpsは、それぞれのメモリイベントをトリガ、ターゲット、スコープ、状態遷移、エビデンスを指定した構造化トレースで表現する。 長いコンテキスト、検索ベース、パラメトリック、マネージドメモリシステムにわたって、MemOpsはファイナ・アンサーの精度のみを隠蔽する障害モードをアンタングルする。
  論文  参考訳（メタデータ） (2026-07-14T15:33:44Z)
• The Compliance Trap: Diagnosing How AI Agents Consume Conflicting Memory [9.041305193333434]
  メモリは、長年にわたるAIエージェントの中核的なコンポーネントになりつつある。これにより、エージェントは、Webブラウザやソフトウェアツール、その他のインタラクティブな環境を操作する際に、過去の経験を再利用することができる。 既存の作業は、主にメモリを供給問題として扱い、どのエクスペリエンスを書くか、どのように保存するか、どのエントリを次のタスクに取得するかを尋ねる。 しかし、モデルが取得したメモリをどのように消費するかについては、まだ明確な説明がありません。
  論文  参考訳（メタデータ） (2026-07-12T07:05:31Z)
• Meta-Cognitive Memory Policy Optimization for Long-Horizon LLM Agents [13.846550145896314]
  メモリ拡張LDMエージェントは、相互作用軌跡をコンパクトメモリに要約することにより、複雑な長距離タスクに対処する。 既存のアプローチでは、結果に基づく強化学習を使用してこれらのメモリポリシーをトレーニングし、中間メモリ品質が低下する場所のローカライズに失敗する。 メモリ最適化は、単なる軌道レベルの成功ではなく、中間要約によって引き起こされる信念の明確さに焦点をあてるべきである。
  論文  参考訳（メタデータ） (2026-05-28T16:17:19Z)
• WorldMemArena: Evaluating Multimodal Agent Memory Through Action-World Interaction [72.1620416874118]
  マルチモーダルな言語モデルは、長距離エージェントとしてますます多くデプロイされている。 既存のベンチマークは、静的対話上のリコールを測定し、メモリを1つのタスクの精度に分解し、キャプションに対する視覚的な観察を減らす。 マルチモーダルエージェントメモリを,観測可能な4段階ライフサイクルを持つアクションワールドインタラクションループとして定式化する。
  論文  参考訳（メタデータ） (2026-05-28T04:27:20Z)
• SAM: State-Adaptive Memory for Long-Horizon Reasoning Agent [51.274445160155864]
  ロングホライゾンのエージェント推論は、思考、ツールコール、観察、部分的な結論を含む長い相互作用履歴を通して行動するために大きな言語モデルを必要とする。 既存のアプローチでは、インタラクション履歴の切り抜き、短いサロゲートに圧縮、あるいは再利用のために選択した部分を取得することで、この問題に対処している。 我々は、インテント駆動リコールのための生のトラジェクトリページを保持しながら、継続的なインタラクションをコンパクトなメモリキューに統合するスタンドアロンフレームワークであるState-Adaptive Memoryを提案する。
  論文  参考訳（メタデータ） (2026-05-23T08:37:16Z)
• 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)
• 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)
• SHERL: Synthesizing High Accuracy and Efficient Memory for Resource-Limited Transfer Learning [63.93193829913252]
  本稿では,リソース制限シナリオに対するSHERLと呼ばれる革新的なMETL戦略を提案する。 初期経路では、中間出力は反冗長動作によって統合される。 遅延ルートでは、最小限の遅延事前トレーニングされたレイヤを利用することで、メモリオーバーヘッドのピーク需要を軽減できる。
  論文  参考訳（メタデータ） (2024-07-10T10:22:35Z)
• On Bits and Bandits: Quantifying the Regret-Information Trade-off [62.64904903955711]
  エージェントが蓄積する情報と、それが苦しむ後悔の間のトレードオフについて検討する。 エージェントが蓄積する情報に依存する、最初のベイズ的後悔の低い境界を導入する。 また,エージェントが蓄積する情報量を用いて,後悔の上限を証明した。
  論文  参考訳（メタデータ） (2024-05-26T14:18:38Z)

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。