論文の概要: Memory Is Not Always Needed: Characterizing Conditional Memory in Scientific Reasoning
- arxiv url: http://arxiv.org/abs/2608.23982v1
- Date: Tue, 25 Aug 2026 02:19:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:34.75067
- Title: Memory Is Not Always Needed: Characterizing Conditional Memory in Scientific Reasoning
- Title（参考訳）: メモリは必ずしも必要ではない:科学推論における条件記憶の特徴
- Abstract要約: 我々は、いつ、どこで、どの程度、条件記憶が科学的推論にどの程度参加すべきかを調査する。
生成前に利用可能なタスク固有の入力プロキシを用いて、メモリが活性化されているかどうかを判定する知識境界対応ルータを提案する。
我々のアプローチは、メモリ誘起回帰を抑えながら、有益なメモリコントリビューションをより一貫して維持する。
- 参考スコア（独自算出の注目度）: 22.364424301865856
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Scientific reasoning requires language models to retrieve specialized knowledge and incorporate it reliably into multi-step computation. Conditional memory provides an explicit lookup pathway that complements dense neural representations, but its usefulness is inherently input- and computation-dependent: retrieved information may repair missing scientific associations, yet it may also introduce distracting shortcuts or interfere with reasoning that the base model can already perform correctly. In this work, we systematically investigate when, where, and to what extent conditional memory should participate in scientific reasoning. We characterize the scientific knowledge boundary and controlled interventions on memory-enabled knowledge-circuit nodes. Based on these analyses, we propose a Knowledge Boundary-Aware Router that uses task-specific input proxies available before generation to determine whether memory is activated, which layer-stage nodes receive memory signals, and how strongly these signals contribute. Experiments on biological and chemical reasoning benchmarks, covering two backbone families and six task types, show that memory effects vary substantially across inputs, tasks, and injection locations. Compared with static and activation-rate-matched random routing, our approach more consistently preserves beneficial memory contributions while suppressing memory-induced regressions, establishing selective memory allocation as an important principle for reliable scientific reasoning.
- Abstract（参考訳）: 科学的推論では、言語モデルが専門知識を取得し、それを多段階計算に確実に組み込む必要がある。
条件記憶は、高密度な神経表現を補完する明示的なルックアップ経路を提供するが、その有用性は本質的には入力に依存して計算に依存している。
本研究は, 科学的推論において, 条件記憶がいつ, どこで, どこまで, どの程度参加すべきかを系統的に検討する。
記憶可能な知識回路ノードに対する科学的知識境界と制御的介入を特徴付ける。
これらの分析に基づいて、生成前に利用可能なタスク固有の入力プロキシを使用して、どのレイヤノードがメモリ信号を受信しているか、これらの信号がどれだけ強く寄与するかを判断する知識境界対応ルータを提案する。
2つのバックボーンファミリーと6つのタスクタイプをカバーする生物学的および化学的推論ベンチマークの実験は、メモリ効果が入力、タスク、注入場所によって大きく異なることを示している。
静的およびアクティベーションレートに整合したランダム・ルーティングと比較して、我々は、メモリによる回帰を抑えつつ、有益なメモリコントリビューションを一貫して維持し、信頼性の高い科学的推論のための重要な原則として選択的なメモリアロケーションを確立する。
関連論文リスト
- AI Engram: In Search of Memory Traces in Artificial Intelligence [19.383960470953145]
このような「AI電図」を識別するための幾何学的枠組みを導入する。
我々は、グローバルな絡み合ったパラメータから個々のメモリトレースを分離するクローズドフォーム推定器を導出する。
結果は、生物学的記憶と人工表現学習の理論を橋渡しする。
論文 参考訳（メタデータ） (2026-06-12T22:36:52Z) - Benchmarking local Hebbian learning rules for memory storage and prototype extraction [0.0]
連想メモリ(英: Associative memory)は、コンピュータ科学や情報処理において重要なコンポーネント機能である。
非モジュラリカレントネットワークとモジュールリカレントネットワークで使用される7つのヘビーン学習規則の連想記憶関数をベンチマークする。
論文 参考訳（メタデータ） (2026-05-01T20:15:32Z) - Evoking User Memory: Personalizing LLM via Recollection-Familiarity Adaptive Retrieval [59.295767860331004]
RF-Memは、親しみやすい不確実性誘導デュアルパスメモリレトリバーである。
それは、人間のようなデュアルプロセス認識をレトリバーに埋め込む。
一定の予算とレイテンシの制約の下で、ワンショット検索とフルコンテキスト推論を一貫して上回る。
論文 参考訳（メタデータ） (2026-03-10T06:31:44Z) - 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) - AI Meets Brain: Memory Systems from Cognitive Neuroscience to Autonomous Agents [69.39123054975218]
メモリは過去と未来の重要なネクサスブリッジとして機能する。
自律エージェントに関する最近の研究は、認知神経科学に基づいて効率的な記憶を設計することに集中している。
論文 参考訳（メタデータ） (2025-12-29T10:01:32Z) - 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) - Synaptic Theory of Chunking in Working Memory [0.5735035463793009]
本稿では, 短期的なシナプス可塑性により, 動作記憶におけるチャンク表現の形成を可能にする, チャンクのシナプス理論を紹介する。
チャンキングニューロン'の特異的集団は、ゲーティングと同様、刺激応答性ニューロン群を選択的に制御する。
我々の研究は、脳がリアルタイムでどのように情報を整理するかを理解するための、概念的で分析的な枠組みを提供する。
論文 参考訳（メタデータ） (2024-08-14T16:03:47Z) - Sequential Memory with Temporal Predictive Coding [6.228559238589584]
時空間予測符号化 (tPC) という, PC を用いた時空間メモリモデルを提案する。
我々のtPCモデルは、生物学的に妥当なニューラル実装を用いて、シーケンシャルな入力を正確に記憶し、取得できることを示します。
論文 参考訳（メタデータ） (2023-05-19T20:03:31Z) - Measures of Information Reflect Memorization Patterns [53.71420125627608]
異なるニューロンの活性化パターンの多様性は、モデル一般化と記憶の反映であることを示す。
重要なことは、情報組織が記憶の2つの形態を指していることである。
論文 参考訳（メタデータ） (2022-10-17T20:15:24Z) - Entropic Associative Memory for Manuscript Symbols [0.0]
マニュアルシンボルは、連想的で分散されているが宣言的でないエントロピーデジタルメモリから保存、認識、検索することができる。
完全情報と不完全情報の両方を用いてオブジェクトを検索するエントロピー連想メモリの動作特性について考察する。
論文 参考訳（メタデータ） (2022-02-17T02:29:33Z)
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。