論文の概要: Dual-Grained Agent Memory and Shapley Context Attribution for Multimodal Agentic Learner
- arxiv url: http://arxiv.org/abs/2608.23268v1
- Date: Mon, 24 Aug 2026 13:56:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:44.12552
- Title: Dual-Grained Agent Memory and Shapley Context Attribution for Multimodal Agentic Learner
- Title（参考訳）: マルチモーダルエージェント学習者のためのデュアルグレードエージェント記憶と共有コンテキスト属性
- Abstract要約: マルチモーダルな大言語モデル (MLLM) は、科学的および数学的推論において、印象的な認識を提供する。
本稿では,DG-Memを提案する。DG-Memは,トレーニングタイムのロールアウトから一度構築した外部記憶メモリと,テスト時に読み取り専用に相談することで,凍結したMLLMを拡張可能なエージェントメモリフレームワークである。
- 参考スコア（独自算出の注目度）: 55.80248281761638
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Frontier multimodal large language models (MLLMs) deliver impressive perception yet still falter on scientific and mathematical reasoning. Parameter-level adaptation is unavailable for closed-weight or on-device backbones, and stateless prompting forfeits any compounding benefit from problems already solved. We propose \textbf{DG-Mem}, a dual-grained agentic memory framework that augments a frozen MLLM with a non-parametric, externally stored memory built once from training-time rollouts and consulted read-only at test time. Motivated by the Complementary Learning Systems (CLS) account of human memory, DG-Mem factors its store into an instance-grounded exemplar memory and a category-level schema memory of IF-THEN rules, with a transient reflection store mediating their construction so that schemas are synthesized only from abstract reflections, never from exemplar text. Two design choices distinguish DG-Mem: an online concept categorizer that grows the category space incrementally during training rather than committing to a predefined taxonomy, and a Shapley context attribution procedure that decomposes correctness across the entire retrieved rule set and yields a per-rule utility that re-weights retrieval at test time. The pipeline introduces no gradient updates and is deployable on closed-weight or on-device backbones. Across MathVista, MMMU, and MMMU-Pro on four open-weight and proprietary backbones (Qwen3.5-27B, Qwen3.5-122B-A10B, GPT-5-Nano, Gemini-3-Flash), DG-Mem improves consistently over no-memory and competitive memory baselines.
- Abstract（参考訳）: フロンティア・マルチモーダル・大規模言語モデル(MLLM)は、科学や数学の推論に依然として不利な印象を与える。
パラメータレベルの適応は、クローズドウェイトまたはオンデバイスバックボーンでは利用できない。
本稿では,学習時のロールアウトから一度構築した非パラメトリックな外部記憶メモリと,テスト時にリードオンリーのコンサルトにより,凍結したMLLMを増強する,二重粒径のエージェントメモリフレームワークである‘textbf{DG-Mem} を提案する。
補完学習システム (CLS) による人間の記憶の説明により、DG-Mem はその記憶をインスタンス基底の模範メモリとIF-THENルールのカテゴリレベルスキーマメモリに分解し、その構成を仲介する過渡的リフレクションストアにより、スキーマは抽象的リフレクションのみから合成される。
事前定義された分類にコミットするのではなく、トレーニング中にカテゴリ空間を漸進的に成長させるオンライン概念分類器DG-Memと、検索されたルールセット全体にわたって正確性を分解し、テスト時に検索を再重み付けするルール毎のユーティリティを提供するShapleyコンテキスト属性手順である。
パイプラインは勾配更新を導入せず、クローズドウェイトまたはオンデバイスバックボーンにデプロイ可能である。
MathVista、MMMU、MMMU-Proの4つのオープンウェイトでプロプライエタリなバックボーン(Qwen3.5-27B、Qwen3.5-122B-A10B、GPT-5-Nano、Gemini-3-Flash)では、DG-Memはメモリと競合するメモリベースラインよりも一貫して改善されている。
関連論文リスト
- 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) - Rethinking Memory as Continuously Evolving Connectivity [63.58181883607843]
既存のメモリ拡張LDMエージェントは、メモリを事前定義された表現と固定された検索パイプラインを備えた静的リポジトリとして扱う。
メモリをヘテロジニアスなグラフとしてモデル化し,そのトポロジを3段階にわたって段階的に洗練する,コネクティビティ進化型メモリフレームワークであるFluxMemを提案する。
LoCoMo、Mind2Web、GAIAなど、根本的に異なる3つのベンチマークにおいて、FluxMemは一貫した最先端のパフォーマンスを実現し、複雑なエージェント環境において強力な適応と一般化を示す。
論文 参考訳（メタデータ） (2026-05-27T17:35:34Z) - MemGym: a Long-Horizon Memory Environment for LLM Agents [69.79226770543049]
本稿では,エージェントメモリのベンチマークであるMemGymを紹介する。
MemGymは、メモリパフォーマンスを推論、検索、ツール使用能力から切り離すメモリアイソレーションスコアを報告している。
MEMGYM-CODEQAとMEMGYM-DRの合成パイプラインは、長さ制御可能であり、各ステージでアブレーションを検証可能であり、下流のシナリオと密に整合している。
論文 参考訳（メタデータ） (2026-05-20T07:25:33Z) - CALMem : Application-Layer Dual Memory for Conversational AI [0.0]
CALMemはアプリケーション層二重メモリアーキテクチャであり、基礎となるモデルを変更することなく、会話アシスタントに事実上効果的なコンテキストを提供する。
MOIMと呼ばれるトークン・バジェット・アダプティブ・インジェクション(トークン・バジェット・アダプティブ・インジェクション)機構は、各ターンごとに関連する過去のコンテキストを自動的に取り出し注入する。
アーキテクチャ、設計決定、パフォーマンス特性を説明し、それぞれの実装選択を導くトレードオフを分析します。
論文 参考訳（メタデータ） (2026-05-20T05:23:57Z) - Memory as Metabolism: A Design for Companion Knowledge Systems [0.0]
本稿では,単一ユーザ LLM メモリに対するコンパニオン固有のガバナンスプロファイルを提案する。
設計原理は、パーソナライズ LLM メモリがコンパニオンシステムであるということである。
シングルエージェントレベルでの安全ストーリーは部分的であり、論文はそれが何をするかを明確にし、解決しない。
論文 参考訳（メタデータ） (2026-04-13T20:22:53Z) - MemMA: Coordinating the Memory Cycle through Multi-Agent Reasoning and In-Situ Self-Evolution [52.29303869050117]
メモリ拡張LDMエージェントは、長期の相互作用をサポートするために外部メモリバンクを保持する。
MemMAはプラグアンドプレイのマルチエージェントフレームワークで、前方と後方の両方の経路に沿ってメモリサイクルを調整する。
論文 参考訳（メタデータ） (2026-03-19T10:15:59Z) - D-Mem: A Dual-Process Memory System for LLM Agents [3.5426740232689604]
本稿では,デュアルプロセスメモリシステムD-Memを紹介する。
ルーチンクエリに対する軽量なベクトル検索を維持しながら、フルリベレーションモジュールを高忠実度フォールバックとして確立している。
GPT-4o-miniとQwen3-235B-Instructを用いたLoCoMoとRealTalkのベンチマーク実験により,本手法の有効性が示された。
論文 参考訳（メタデータ） (2026-03-19T08:55:22Z) - TA-Mem: Tool-Augmented Autonomous Memory Retrieval for LLM in Long-Term Conversational QA [8.036549927091286]
大規模言語モデル(LLM)は、様々なドメインにわたるテキストベースのコンテキストにおいて強力な推論能力を示した。
コンテキストウィンドウの制限は、長距離推論タスクにおけるモデルの課題を引き起こす。
ツール拡張型自律メモリ検索フレームワーク(TA-Mem)を導入する。
TA-MemはLoCoMoデータセットで評価され、既存のベースラインアプローチよりも大幅にパフォーマンスが向上した。
論文 参考訳（メタデータ） (2026-03-10T07:27:01Z) - Neuromem: A Granular Decomposition of the Streaming Lifecycle in External Memory for LLMs [31.958776309037546]
我々は、インターリーブされた挿入・検索プロトコルの下で外部メモリモジュールをベンチマークするスケーラブルなテストベッドであるNeuromemを紹介する。
メモリが丸ごと増大するにつれて、パフォーマンスは一般的に低下し、時間関連のクエリは依然として最も難しいカテゴリです。
論文 参考訳（メタデータ） (2026-02-15T02:53:37Z) - LatentMem: Customizing Latent Memory for Multi-Agent Systems [44.59989123744384]
トークン効率のよいエージェント固有のメモリをカスタマイズするための学習可能なマルチエージェントメモリフレームワークであるLatentMemを提案する。
具体的には、生の相互作用軌跡を軽量な形式で記憶する体験銀行と、検索された経験とエージェント固有の文脈に基づいて条件付けられたコンパクトな潜時記憶を合成するメモリ作曲家とを備える。
論文 参考訳（メタデータ） (2026-02-03T03:03:16Z) - Memory-R1: Enhancing Large Language Model Agents to Manage and Utilize Memories via Reinforcement Learning [89.55738101744657]
大規模言語モデル(LLM)は、幅広いNLPタスクで印象的な機能を示しているが、基本的にはステートレスである。
本稿では,LLMに外部メモリを積極的に管理・活用する機能を備えた強化学習フレームワークであるMemory-R1を提案する。
論文 参考訳（メタデータ） (2025-08-27T12:26:55Z)
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。