論文の概要: Weighted Memory Tree: Remembering What Matters for Long-Horizon LLM Agents

• arxiv url: http://arxiv.org/abs/2608.20631v1
• Date: Fri, 21 Aug 2026 00:14:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.294748
• Title: Weighted Memory Tree: Remembering What Matters for Long-Horizon LLM Agents
• Title（参考訳）: 軽量メモリツリー:長期LDMエージェントの意義を思い出す
• Abstract要約: 本稿では,タスク,サブタスク,アクションに実行を整理する階層型メモリシステムを提案する。 イベントベースの更新と選択ベースの減衰はこれらのスコアを改訂し、WMTが有用な情報を保存できるようにする。 線形メモリとは対照的に、WMTは平均9.97ポイントの精度を向上し、プロンプトトケン使用率を32.8%削減する。
• 参考スコア（独自算出の注目度）: 3.1937775271700617
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model (LLM) agents have demonstrated the ability to solve multi-step tasks requiring planning, tool use, and external information access, yet growing execution histories increase inference cost and expose reasoning to outdated, irrelevant, or misleading information, potentially degrading reasoning quality. Existing memory approaches organize or compress execution histories but provide limited mechanisms for deciding which memories remain active. We introduce the, a hierarchical memory system that organizes execution into tasks, subtasks, and actions while assigning each memory a dynamic retention score. Event-based updates and selection-based decay revise these scores, allowing WMT to preserve useful information, fold completed trajectories, suppress low-utility content, and retain access to folded context. We evaluate WMT on GAIA-Text using Qwen3-8B, Gemma 4 E4B, and Llama-3.1-8B, with ablations and memory-poisoning experiments. Relative to linear memory, WMT improves accuracy by an average of 9.97 percentage points while reducing prompt-token usage by 32.8%. Memory-poisoning experiments show that WMT limits the persistence and propagation of unreliable information. Our results suggest that effective long-horizon agent memory depends less on storing more information than on deciding which information should remain active.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、計画、ツール使用、外部情報アクセスを必要とするマルチステップタスクを解決する能力を示したが、実行履歴の増加は推論コストを増大させ、時代遅れ、無関係、あるいは誤解を招く情報に対する推論を露呈し、推論品質を低下させる可能性がある。 既存のメモリアプローチは実行履歴を整理または圧縮するが、どのメモリがアクティブかを決定するための制限されたメカニズムを提供する。 本稿では,タスク,サブタスク,アクションに実行を整理し,各メモリに動的保持スコアを割り当てる階層型メモリシステムについて紹介する。 イベントベースの更新と選択ベースの減衰はこれらのスコアを改訂し、WMTは有用な情報を保存し、完了した軌跡を折り畳み、低ユーティリティなコンテンツを抑制し、折りたたみコンテキストへのアクセスを維持する。 Qwen3-8B, Gemma 4 E4B, Llama-3.1-8B を用いて, GAIA-Text 上で WMT を評価する。 線形メモリとは対照的に、WMTは平均9.97ポイントの精度を向上し、プロンプトトケン使用率を32.8%削減する。 メモリ汚染実験は、WMTが信頼できない情報の持続性と伝播を制限することを示している。 以上の結果から,有効な長期エージェントメモリは,どの情報をアクティブに維持するかを決定するよりも,より多くの情報を保存することに依存することが示唆された。

関連論文リスト

• Harness the Memory: A Holistic Evaluation of Memory Substrates in Memory Agents [97.19033877543522]
  本稿では,メモリ拡張剤のメモリ基板の制御ハーネス評価について述べる。 統一されたハーネスの下で26のパフォーマンスと効率のメトリクスを計測する。 これらの知見は、アダプティブエージェントメモリシステムに必要なコンポーネントとして、基質ルーティングを動機付けている。
  論文  参考訳（メタデータ） (2026-08-15T03:29:48Z)
• EvoGraph-Mem: Failure-Aware Editable Graph Memory for Long-Term Language Agents [4.265255679736993]
  既存のメモリ拡張エージェントは、主に過去の経験の保存と検索に重点を置いている。 これまで蒸留された洞察は、新しいタスクコンテキスト下で時代遅れになり、過度に一般化され、有害になる可能性がある。 本稿では,編集可能なインサイトグラフに基づく障害対応メモリメンテナンスフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-03T12:35:44Z)
• Mechanistic Attention Guidance for Agent Memory Refinement [32.57216046158823]
  検索ヘッドアテンションは,セグメントレベルのメモリ使用量を明らかにするためのメカニスティック信号を提供する。 本稿では,注意による利用パターンを用いてセグメントレベルのメモリ更新を誘導するフレームワークであるAttention-Guided Memory Refinement (AGMR)を提案する。
  論文  参考訳（メタデータ） (2026-07-20T07:17:50Z)
• 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)
• Oracle Agent Memory as an Enterprise Memory Substrate for Long-Horizon AI Agents [3.704983597040439]
  Oracle Agent Memoryは、Oracle Database上に構築されたデータベースネイティブなメモリ基板である。 レポートはLongMemEvalの結果を要約し、93.8%の精度に達した。
  論文  参考訳（メタデータ） (2026-07-14T18:06:53Z)
• 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)
• Graph-based Agent Memory: Taxonomy, Techniques, and Applications [63.70340159016138]
  メモリはLarge Language Model(LLM)ベースのエージェントの中核モジュールとして出現する。 さまざまなパラダイムの中でグラフは、関係依存をモデル化する本質的な能力のため、エージェントメモリの強力な構造として際立っている。 本調査では, エージェントメモリの総合的な検討について, グラフベースの観点から述べる。
  論文  参考訳（メタデータ） (2026-02-05T13:49:05Z)
• Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents [57.38404718635204]
  大規模言語モデル (LLM) エージェントは、有限コンテキストウィンドウによる長距離推論において基本的な制限に直面している。 既存のメソッドは通常、長期記憶(LTM)と短期記憶(STM)を独立したコンポーネントとして扱う。 本稿では,エージェントのポリシーに LTM と STM 管理を直接統合する統合フレームワークである Agentic Memory (AgeMem) を提案する。
  論文  参考訳（メタデータ） (2026-01-05T08:24:16Z)
• SCM: Enhancing Large Language Model with Self-Controlled Memory Framework [54.33686574304374]
  大きな言語モデル(LLM)は、長い入力を処理できないため、重要な歴史的情報が失われる。 本稿では,LLMが長期記憶を維持し,関連する情報をリコールする能力を高めるための自己制御メモリ(SCM)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-26T07:25:31Z)

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。