論文の概要: ForeDreamer: A Self-Evolving Dual-Agent Memory Architecture for Future Event Prediction

• arxiv url: http://arxiv.org/abs/2608.20920v1
• Date: Fri, 21 Aug 2026 09:38:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.497514
• Title: ForeDreamer: A Self-Evolving Dual-Agent Memory Architecture for Future Event Prediction
• Title（参考訳）: ForeDreamer: イベント予測のための自己進化型デュアルエージェントメモリアーキテクチャ
• Abstract要約: オープンウェブの未来のイベント予測では、エージェントはノイズ、冗長、不完全な証拠から信頼できる信号を蒸留する必要がある。 予測の前に生のウェブ証拠を構造化記憶に変換することを提案する。 本稿では,オープンWebエビデンス上でのメモリ管理のための自己進化型デュアルエージェントフレームワークであるForeDreamerを提案する。
• 参考スコア（独自算出の注目度）: 41.90545827126402
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-web future event prediction requires agents to distill reliable signals from noisy, redundant, and incomplete evidence. Existing retrieval/memory mechanisms directly feed retrieved information to agents or rely on simple memory functions such as storing and reusing prior information for prediction, leaving them insufficient for open-web forecasting. We propose to transform raw web evidence into structured memory before prediction, enabling agents to reason over distilled, question-specific evidence rather than noisy retrieval results. This paper presents ForeDreamer, a self-evolving dual-agent framework for managing memory over open-web evidence. ForeDreamer separates factual memory, a question-specific evidence state for the current forecast, from experiential memory, persistent agent experience accumulated across forecasting episodes. It uses a main agent for search and prediction, and a memory-processing subagent to convert search results into factual memory with dedicated tools. ForeDreamer further evolves experiential memory through two tracks, improving both forecasting decisions and factual-memory construction. Experiments on Prophet Arena and FutureX demonstrate the effectiveness of ForeDreamer. Project page: https://zhongzero.github.io/ForeDreamer
• Abstract（参考訳）: オープンウェブの未来のイベント予測では、エージェントはノイズ、冗長、不完全な証拠から信頼できる信号を蒸留する必要がある。 既存の検索/記憶機構は、検索した情報をエージェントに直接フィードするか、予測のために事前情報を保存・再利用するといった単純なメモリ機能に依存し、オープンウェブ予測には不十分なままである。 本稿では,生のウェブ証拠を予測前の構造化記憶に変換することを提案する。 本稿では,オープンWebエビデンス上でのメモリ管理のための自己進化型デュアルエージェントフレームワークであるForeDreamerを提案する。 ForeDreamerは、現在の予測に対する疑問特異的エビデンスステートである事実記憶を、経験記憶、予測エピソード全体で蓄積された永続的なエージェント体験から分離する。 検索と予測にはメインエージェント、検索結果を専用のツールで事実記憶に変換するためのメモリ処理サブエージェントを使用する。 ForeDreamerはさらに2つのトラックを通じて経験的メモリを進化させ、予測決定と事実記憶の構築の両方を改善している。 預言者アリーナとFutureXの実験は、ForeDreamerの有効性を示している。 プロジェクトページ: https://zhongzero.github.io/ForeDreamer

関連論文リスト

• ForecastCompass: Guiding Agentic Forecasting with Adaptive Factor Memory [28.100237569490996]
  エージェント予測のための適応係数ベースのメモリフレームワークであるForecast(FoCo)を提案する。 FoCoは階層的な予測タスク分類で予測経験を整理し、タスク関連予測知識の検索を可能にする。 GPT-5-miniとGemini-2.5-Flashによる予言的アリーナとFutureXの実験では、FoCoは確率的精度とキャリブレーションの両方を改善している。
  論文  参考訳（メタデータ） (2026-05-29T05:30:17Z)
• 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)
• Memory in the Age of AI Agents [217.9368190980982]
  この研究は、現在のエージェントメモリ研究の最新の展望を提供することを目的としている。 我々は,エージェントメモリ,すなわちトークンレベル,パラメトリック,潜時メモリの3つの支配的実現を同定する。 実用的な開発を支援するため、メモリベンチマークとオープンソースフレームワークの包括的な概要をコンパイルする。
  論文  参考訳（メタデータ） (2025-12-15T17:22:34Z)
• MemGen: Weaving Generative Latent Memory for Self-Evolving Agents [57.1835920227202]
  本稿では,エージェントに人間的な認知機能を持たせる動的生成記憶フレームワークであるMemGenを提案する。 MemGenは、エージェントが推論を通して潜在記憶をリコールし、増大させ、記憶と認知の密接なサイクルを生み出すことを可能にする。
  論文  参考訳（メタデータ） (2025-09-29T12:33:13Z)
• Black-box Unsupervised Domain Adaptation with Bi-directional Atkinson-Shiffrin Memory [59.51934126717572]
  Black-box Unsupervised Domain adaptation (UDA)は、トレーニング中にソースデータまたはソースモデルにアクセスすることなく、ターゲットデータのソース予測で学習する。 両方向の記憶機構であるBiMemを提案する。 BiMemは、画像分類、セマンティックセグメンテーション、オブジェクト検出など、さまざまな視覚的タスクに一貫して優れたドメイン適応性能を実現する。
  論文  参考訳（メタデータ） (2023-08-25T08:06:48Z)
• Memory-and-Anticipation Transformer for Online Action Understanding [52.24561192781971]
  本稿では,過去,現在,未来を含む時間構造全体をモデル化する,メモリ予測に基づく新しいパラダイムを提案する。 本稿では,メモリ・アンド・アンティフィケーション・トランスフォーマ(MAT)を提案する。
  論文  参考訳（メタデータ） (2023-08-15T17:34:54Z)
• A Memory Model for Question Answering from Streaming Data Supported by Rehearsal and Anticipation of Coreference Information [19.559853775982386]
  本稿では,ストリーミングデータから質問応答タスクを解くための重要な情報に入力を処理しながら,リハーサルと予測を行うメモリモデルを提案する。 我々は,bAbIデータセットと大規模テキスト(Narrative QA)およびビデオ(ActivityNet-QA)質問応答データセットを用いて,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2023-05-12T15:46:36Z)
• Understanding Transformer Memorization Recall Through Idioms [42.28269674547148]
  言語モデルにおける記憶されたシーケンスのリコールを探索し,特徴付けるための,最初の方法論的フレームワークを提供する。 本研究では,モデル内の隠れ表現を,出力確率分布の段階的改善として解釈することにより,内部予測構築過程を解析する。 本研究は,メモリリコールの理解に向けての第一歩を踏み出し,トランスフォーマー記憶の今後の研究のための方法論的基盤を提供する。
  論文  参考訳（メタデータ） (2022-10-07T14:45:31Z)
• Remember Intentions: Retrospective-Memory-based Trajectory Prediction [31.25007169374468]
  本稿では,エージェントの動作意図を予測するインスタンスベースのアプローチであるMemoNetを提案する。 実験の結果、提案されたMemoNetは以前のSDD/ETH-UCY/NBAデータセットのベストメソッドから20.3%/10.2%/28.3%改善している。
  論文  参考訳（メタデータ） (2022-03-22T05:59:33Z)
• MANTRA: Memory Augmented Networks for Multiple Trajectory Prediction [26.151761714896118]
  メモリ拡張ニューラルネットワークを用いたマルチモーダル軌道予測の問題に対処する。 提案手法は、繰り返しニューラルネットワークを用いて過去と将来の軌道埋め込みを学習し、関連性のある外部メモリを活用して、そのような埋め込みを保存・取得する。 次に、観測過去の条件付きメモリ内未来の符号化を復号して軌道予測を行う。
  論文  参考訳（メタデータ） (2020-06-05T09:49:59Z)

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。