論文の概要: What Memory Composition Does Not Tell Us About Anomaly Detection

• arxiv url: http://arxiv.org/abs/2608.23295v1
• Date: Mon, 24 Aug 2026 14:20:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.132224
• Title: What Memory Composition Does Not Tell Us About Anomaly Detection
• Title（参考訳）: メモリ構成が異常検出についてユーザーに教えてくれないもの
• Abstract要約: メモリベースの異常検知器は、名目上のトレーニングパッチを格納し、このメモリに対してテストパッチをスコアする。 我々はこの結合とスパーストレーニング汚染を探索する。 クリーンコンは、最終メモリ汚染を近似的にゼロに減らし、12の整合した比較でカテゴリマクロP-APを増加させる。
• 参考スコア（独自算出の注目度）: 4.021476382793037
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Memory-based anomaly detectors store nominal training patches and score test patches against this memory. A patch selected for coverage therefore becomes a nor- mal reference without a separate check that geometric rarity makes it safe to trust. We probe this coupling with sparse training contamination. Under fixed representa- tions and memory budgets, we compare random, medoid, local, and global coverage selectors. We then use CLEANCON, an out-of-bag cross-image support gate that changes candidate-image eligibility while fixing the representation, absolute mem- ory size, builder, and inference rule. Global coverage strongly over-represents sparse contamination. CLEANCON reduces final-memory contamination to approx- imately zero and increases category-macro P-AP in all 12 matched comparisons. Yet along a retention sweep, the lowest-contamination memory does not attain the highest P-AP; performance continues to improve while contamination rises. Mem- ory contamination therefore does not order the resulting memories by P-AP
• Abstract（参考訳）: メモリベースの異常検知器は、名目上のトレーニングパッチを格納し、このメモリに対してテストパッチをスコアする。 したがって、カバレッジのために選択されたパッチは、幾何学的希少性によって信頼されるような別個のチェックなしで、非不正参照となる。 我々はこの結合とスパーストレーニング汚染を探索する。 固定された表現-オプションとメモリ予算の下では、ランダム、メドイド、ローカル、グローバルのカバレッジセレクタを比較します。 次に、CLEANCON(out-of-bag cross-image support gate)を使用し、表現、絶対mm-oryサイズ、ビルダー、推論ルールを修正しながら、候補-image の適性を変更する。 グローバルな範囲はスパース汚染を強く表している。 CLEANCONは、最終メモリ汚染を近似的にゼロに減らし、12の一致した比較でカテゴリマクロP-APを増加させる。 しかし、保持スイープに沿って、最低汚染メモリが最も高いP-APを達成することができず、汚染が上昇する間も性能は改善され続けている。 したがって、mem- oryの汚染はP-APによる結果の記憶を順序付けしない

関連論文リスト

• What Remains Normal? Clean Images Miss Useful Near-Defect Normal Patches for Anomaly Detection [4.021476382793037]
  メモリベースの異常検知器は、名目上のトレーニングパッチを格納し、このメモリに対してテストパッチをスコアする。 我々はこの結合とスパーストレーニング汚染を探索する。 クリーンコンは、最終メモリ汚染を近似的にゼロに減らし、12の整合した比較でカテゴリマクロP-APを増加させる。
  論文  参考訳（メタデータ） (2026-08-24T14:22:44Z)
• MemoryLake on MemoryArena: A Matched Study of Agent Memory Backends [8.130461324371604]
  MemoryLakeをMem0、text-embedding-3-small vector RAG、および5つのMemoryArenaドメインの長いコンテキスト制御と比較する。 各バックエンドバンドルは書き込み、検索、統合、予算設定、迅速な組立選択を行うため、この研究は一致したシステムレベルの比較である。
  論文  参考訳（メタデータ） (2026-08-14T02:19:26Z)
• EA-Graph: Artifact-Anchored Verification Memory for Coding Agents under Upstream Drift [0.0]
  アップストリームの変更の後、以前の検証のクレームがもはや有効ではないにもかかわらず、レポジトリは引き続き構築される可能性がある。 EA-Graphは、検証のためのアーティファクトアンコールメモリである。 それは、サブパスの粒度で人工物を表し、葉の定義にエイリアスを解決し、それを確立するために使用されるコンテンツに対する各主張をアンカーし、鮮度とは別個の証拠強度を保持する。
  論文  参考訳（メタデータ） (2026-08-04T23:13:32Z)
• What to Keep, What to Forget: A Rate--Distortion View of Memory Compaction in LLMs and Agents [1.0742675209112622]
  4つの研究コミュニティがそれぞれ,大規模言語メモリのコンパクト化を学んでいることを示す。 我々は、これらが1つの問題の例であると主張する。 このレンズを1つのコンパクト化目標と層に依存しない下界で正確にし、スタック全体からメソッドを一様に分類する7軸分類法を構築するために使用する。
  論文  参考訳（メタデータ） (2026-07-09T01:15:03Z)
• ProCon: Projection-Consistency Memory for Training-Free Anomaly Detection [6.76482561610618]
  ProConは、メモリ検索をデコーダなしの再構成に変換する、トレーニング不要のフレームワークである。 7つの標準メトリクスの下で、画像レベルとピクセルレベルの強いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-07-06T10:23:24Z)
• Echo-Memory: A Controlled Study of Memory in Action World Models [58.77172260403133]
  本研究では,行動条件付き世界モデルにおける記憶機構の制御に関する研究を行う。 既存のメモリ設計と比較するのは難しいのは、ゲインにはバックボーン、トレーニング、検索、評価の違いが絡み合っているからである。 我々はEcho-Memoryを使ってアクション・ツー・ビデオのインタフェースを修正し、生成元によって履歴が保存され読み込まれるかだけを変える。
  論文  参考訳（メタデータ） (2026-06-08T17:54:10Z)
• MemGuard: Preventing Memory Contamination in Long-Term Memory-Augmented Large Language Models [56.31411457917676]
  本稿では,メモリ構築と検索において,機能的メモリ境界を保存するタイプアウェアメモリフレームワークであるMemGuardを紹介する。 幻覚と長期会話のベンチマーク全体で、MemGuardはメモリの信頼性を最大28.27%向上し、メモリトークンは以前の方法より5.8倍少ない。
  論文  参考訳（メタデータ） (2026-05-27T06:04:19Z)
• 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)
• The Trap of Trajectory: Towards Understanding and Mitigating Spurious Correlations in Agentic Memory [7.707732051915869]
  エージェントメモリシステムの診断では、メモリはクリーンな入力の推論を改善するが、それらが存在するときのスプリアスパターンへの依存を増幅する。 本稿では,CAMELを提案する。CAMELは,書き込み時間と検索時間の両方で,多様なメモリアーキテクチャ間で動作可能な,プラグアンドプレイキャリブレーション方式である。 全体として、CAMELはより信頼性の高いエージェントメモリデプロイメントに対して、原則的で軽量なソリューションを提供する。
  論文  参考訳（メタデータ） (2026-05-10T05:04:13Z)
• Belief Memory: Agent Memory Under Partial Observability [56.41506249481312]
  本稿では,メモリパラダイムを観測毎に1つの結論にシフトし,その確率で複数の結論を導出するBeliefMemを提案する。 BeliefMemは決定論的パラダイムが破棄されるという不確実性を保ち、エージェントが高い信頼を持って行動することを可能にする。 LoCoMoとALFWorldベンチマークの実証的な評価は、限られたデータであっても、BeliefMemが最高の平均パフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2026-05-07T02:03:13Z)
• MemEvoBench: Benchmarking Memory MisEvolution in LLM Agents [78.95081012334116]
  永続メモリを持つ大規模言語モデル(LLM)は、相互作用の継続性とパーソナライゼーションを高めるが、新たな安全性リスクをもたらす。 汚染または偏りのある記憶蓄積は、異常な作用を引き起こす可能性がある。 MemeEvoBenchは、LLMエージェントのメモリ安全性を評価する最初のベンチマークである。
  論文  参考訳（メタデータ） (2026-04-17T07:29:52Z)
• Kanerva++: extending The Kanerva Machine with differentiable, locally block allocated latent memory [75.65949969000596]
  エピソディックメモリとセマンティックメモリは、人間のメモリモデルの重要なコンポーネントです。 我々は、エピソードメモリとセマンティックメモリのギャップを埋める新しい原理ベイズメモリ割り当てスキームを開発しました。 この割り当て方式がメモリ条件画像生成の性能を向上させることを実証する。
  論文  参考訳（メタデータ） (2021-02-20T18:40:40Z)

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。