論文の概要: Towards Reversible Forgetting: Managing Obsolete Knowledge in Continual Enterprise AI Agents

• arxiv url: http://arxiv.org/abs/2608.18177v1
• Date: Tue, 18 Aug 2026 00:38:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.169617
• Title: Towards Reversible Forgetting: Managing Obsolete Knowledge in Continual Enterprise AI Agents
• Title（参考訳）: ユビキタス・フォーミングに向けて - エンタープライズAIエージェントにおける異常な知識の管理
• Abstract要約: 継続的な学習は伝統的に忘れを失敗として扱い、環境が進化するにつれて獲得した知識の保存を強調する。 この目的は、非定常環境で動作するエンタープライズAIエージェントには不完全である、と我々は主張する。 本稿では,3つの動作記憶状態 – アクティブ,休眠状態,退職状態 – と,関連する知識を回復可能な再活性化遷移を備えた概念的フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Continual learning has traditionally treated forgetting as a failure, emphasizing preservation of previously acquired knowledge as environments evolve. We argue that this objective is incomplete for enterprise AI agents operating in non-stationary environments, where customers, policies, tools, workflows, regulations, and market conditions change over time. Indiscriminate retention can allow obsolete knowledge to influence decisions, creating negative transfer and operational risk. We therefore propose reversible forgetting: a conceptual framework with three operational memory states: active, dormant, and retired, and a reactivation transition that can restore dormant knowledge when its relevance returns. We instantiate the framework as a Hysteretic Reversible Memory Controller that accumulates relevance evidence, uses asymmetric thresholds to prevent state oscillation, tests reactivation in shadow mode, and gates retirement through policy. The framework reduces the influence of obsolete information without conflating temporary suppression with permanent erasure. Finance illustrates the idea: knowledge useful under one market regime may become harmful under another yet regain relevance when similar conditions recur.
• Abstract（参考訳）: 継続的な学習は伝統的に忘れを失敗として扱い、環境が進化するにつれて獲得した知識の保存を強調する。 この目的は、顧客、ポリシー、ツール、ワークフロー、規制、市場状況が時間とともに変化する非定常環境で動作するエンタープライズAIエージェントには不完全である、と私たちは主張する。 差別的保持は、陳腐化した知識が決定に影響を与え、負の移動と運用上のリスクを生み出すことを許す。 そこで我々は,3つの動作記憶状態 – アクティブ,休眠,引退という概念的枠組みと,その関連性が戻ると休息知識を回復できる再活性化遷移を提案する。 我々は、関係証拠を蓄積し、非対称なしきい値を用いて状態の振動を防止し、シャドーモードでテストを再活性化し、ポリシーを通じてゲートをリタイアするヒステリック可逆記憶制御器としてフレームワークをインスタンス化する。 この枠組みは、一時的な抑圧と恒久的消去を混同することなく、古くなった情報の影響を低減する。 ある市場体制下で有用な知識は、他の市場体制下で有害になるが、同様の状況が再発すると、関連性を取り戻す。

関連論文リスト

• ScrambleToolBench: Agents Search Exhaustively Even When Their Own Map Points to the Next Step [74.83535434786145]
  ScrambleToolBenchは,行動推論の分離を目的とした対話型端末ベンチマークである。 このベンチマークでは、エージェントがテストとエラーのインタラクションを通じて、隠されたツールの振る舞いを明らかにする必要がある。 現状の言語モデルに対する我々の評価は、初期発見が成功しても頑健な適応にはならないことを示している。
  論文  参考訳（メタデータ） (2026-08-03T15:07:46Z)
• Closing the Feedback Loop: From Experience Extraction to Insight Governance in Verbal Reinforcement Learning [11.366112232592592]
  訓練なしの言語強化学習は、LLMエージェントが世界からのフィードバックから学ぶことを可能にする。 フィードバック駆動型キュレーションループで接続された3層アーキテクチャ – ルール,エビデンス,スキル – を提案する。 また、ゼロショットベースライン以下の性能を低下させるか、精度とリスク調整されたリターンを劇的に向上させるかを示す。
  論文  参考訳（メタデータ） (2026-06-16T06:55:55Z)
• Taming "Zombie'' Agents: A Markov State-Aware Framework for Resilient Multi-Agent Evolution [50.50276752935017]
  AgentReviveは、レジリエントなマルチエージェント進化のためのMarkovステートアウェアフレームワークである。 我々の手法はソフト状態遷移を通じてエージェントの協調を動的に管理する。 ステートアウェアなエージェントスケジューリングによってトークンの消費を大幅に削減する。
  論文  参考訳（メタデータ） (2026-05-17T09:38:18Z)
• AI Debris: Residual Risk and the Afterlife of Failed AI Systems [0.0]
  本稿では, 解体されたAIシステムは, モデル除去後に持続する残余のリスク, いわゆるAIデブリを発生させると主張している。 本論文は, 破片ドメインの類型化を開発し, 破片が持続するメカニズムを同定する。 この概念を運用するために,評価器対応AI Debris Decommissioning Protocolを提案する。
  論文  参考訳（メタデータ） (2026-05-15T14:59:15Z)
• Robust Continual Unlearning against Knowledge Erosion and Forgetting Reversal [31.09301411794716]
  機械学習は、人工知能において「忘れられる権利」を実現する上で重要な役割を果たす。 我々は、未学習を繰り返し実施するより現実的なシナリオにおいて、既存の未学習アルゴリズムを評価する。 我々は,データ保持のための表現安定性を維持しつつ,データ忘れのための負のロジットマージンを強制する,連続的アンラーニングフレームワークSAFERを提案する。
  論文  参考訳（メタデータ） (2026-04-21T05:35:54Z)
• PolicyBank: Evolving Policy Understanding for LLM Agents [51.86716874651299]
  PolicyBankは構造化されたツールレベルの政策洞察を維持し、それらを反復的に洗練する。 PolicyBankは、人間の神託に対するギャップの最大82%を閉じている。
  論文  参考訳（メタデータ） (2026-04-16T20:29:30Z)
• Memory Undone: Between Knowing and Not Knowing in Data Systems [14.165847961943193]
  我々は,忘れることが同時に権利を保護し,サイレンシングを可能にすることを示す。 我々は、知識基盤における第一級能力として、アンフレーミング・アンラーニングを提案する。
  論文  参考訳（メタデータ） (2026-02-24T18:29:17Z)
• AI Agents Need Memory Control Over More Context [0.0]
  そこで本研究では,書き起こしのリプレイを,各ターンにオンライン更新された有界な内部状態に置き換えるバイオインスパイアされたメモリコントローラを提案する。 ACCは境界メモリを一貫して維持し、より安定したマルチターン動作を示す。 その結果,認知的圧縮は,長期的AIエージェントにおいて,信頼性の高い記憶制御のための実用的で効果的な基礎を提供することが示された。
  論文  参考訳（メタデータ） (2026-01-15T18:01:59Z)
• Beyond Heuristics: A Decision-Theoretic Framework for Agent Memory Management [49.71055327567513]
  メモリ管理は、不確実性の下でのシーケンシャルな意思決定問題と見なされるべきである。 私たちの貢献は、新しいアルゴリズムではなく、アプローチの限界を明確にする原則的なリフレーミングです。
  論文  参考訳（メタデータ） (2025-12-25T08:23:03Z)
• Safety Margins for Reinforcement Learning [53.10194953873209]
  安全マージンを生成するためにプロキシ臨界度メトリクスをどのように活用するかを示す。 Atari 環境での APE-X と A3C からの学習方針に対するアプローチを評価する。
  論文  参考訳（メタデータ） (2023-07-25T16:49:54Z)
• Dichotomy of Control: Separating What You Can Control from What You Cannot [129.62135987416164]
  政策の制御(行動)と政策の制御(環境)以外のメカニズムを分離する将来の条件付き教師あり学習フレームワークを提案する。 我々は,DoCが条件付入力と整合したポリシを出力し,学習したポリシを所望のハイリターン未来結果に条件付けすることで,高リターン行動が正しく引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-10-24T17:49:56Z)

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。