論文の概要: When Memory Takes Gradients: Collaborative Vector Memory for Agentic Recommender Systems
- arxiv url: http://arxiv.org/abs/2608.26895v1
- Date: Thu, 27 Aug 2026 09:51:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-28 16:30:58.337504
- Title: When Memory Takes Gradients: Collaborative Vector Memory for Agentic Recommender Systems
- Title（参考訳）: メモリのグラディエンス:エージェントレコメンダシステムのための協調ベクトルメモリ
- Abstract要約: エージェントレコメンデータシステムは、大きな言語モデルのそれぞれの決定を、ユーザの永続的なメモリに根拠付ける。
エージェントのメモリの協調コアをベクトル化するCoVeMemを提案する。
- 参考スコア（独自算出の注目度）: 6.12907469209873
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Agentic recommender systems ground each decision of a large language model (LLM) in a persistent memory of the user, and in existing agents that memory is text: a narrative written and maintained by further LLM calls. Text limits this memory in two ways. It is updated one rewrite at a time, so exploiting the full interaction history is prohibitively expensive; and collaborative evidence, graded similarity over an entire catalog, does not survive translation into sentences. We propose CoVeMem (Collaborative Vector Memory), which vectorizes the collaborative core of the agent's memory. Frozen LightGCN user and item states form the memory bank; at each decision, the candidate set itself retrieves the most relevant historical states, which enter the LLM's context as soft tokens alongside a light textual profile. Contrastive alignment to item-semantic anchors, followed by listwise co-training with masked candidates, teaches the model to read these states and to rank through them; a pointwise yes/no readout scores each candidate. Across four instruction-grounded recommendation benchmarks, CoVeMem matches or exceeds the strongest collaborative text-memory agent on 19 of 20 metric cells while requiring zero additional LLM calls for memory maintenance beyond the shared static profile, against per-interaction calls for text memory. The memory now takes gradients: the full interaction history, out of reach for text, becomes available as training data for what the agent remembers and for how it reads what it remembers.
- Abstract（参考訳）: エージェントレコメンデータシステムは、大きな言語モデル(LLM)のそれぞれの決定を、ユーザの永続的なメモリ、および既存のエージェントにおいて、記憶がテキストであることを示す。
テキストはこのメモリを2つの方法で制限する。
一度に1つの書き直しが更新されるため、完全なインタラクション履歴を利用するのは違法にコストがかかる。
エージェントのメモリの協調コアをベクトル化するCoVeMem(Collaborative Vector Memory)を提案する。
凍結されたLightGCNユーザとアイテムステートはメモリバンクを形成し、各決定において、候補セットは、LLMのコンテキストを、ライトテキストプロファイルと共にソフトトークンとして入力する最も関連性の高い履歴ステートを検索する。
アイテム・セマンティック・アンカーに対するコントラストアライメント、続いてマスクされた候補者とリストワイズで共学し、モデルにこれらの状態を読み、それらをランク付けするように教える。
4つのインストラクショングラウンドのレコメンデーションベンチマークの中で、CoVeMemは20のメトリックセルのうち19の最も強力なコラボレーティブなテキストメモリエージェントにマッチするか、超過します。
完全なインタラクション履歴は、テキストの到達範囲外であり、エージェントが何を記憶しているか、どのようにそれを記憶するかのトレーニングデータとして利用できるようになる。
関連論文リスト
- MEMO: Multimodal Evidence Memory Organization for Long-Horizon LLM Agents [24.912135848528845]
長期にわたるLLMエージェントは、単一のコンテキストウィンドウを超えて情報を保存し再利用するために外部メモリに依存している。
エージェント記憶の鍵となる課題は、関連する記録を取得することだけでなく、特定の予算の下で必要な証拠を選択することである。
既存のメモリ読み出し方法は、主にテキストまたはビジュアルフォームを使用する。
論文 参考訳（メタデータ） (2026-09-07T13:24:40Z) - Verifiable Memory: Learning Unified Memory Management with Local and Global Verifiers for Large Language Model Agents [12.763061404384601]
大規模言語モデル(LLM)エージェントは、再利用可能な情報を保持し、有界な活動コンテキストを制御し、長い水平相互作用の間、以前の証拠を回復しなければならない。
本稿では,LTM,アクティブコンテキスト,エピソード履歴を異なる状態として表現し,一つのメモリ操作ポリシで制御するフレームワークであるVerMemを提案する。
論文 参考訳（メタデータ） (2026-08-04T05:06:24Z) - Zero-Mem: Zero-Token Memory Operations for LLM Agents [17.228305588778]
Zero-Memは、元の相互作用トレースをレコードのソースとして保存する。
Zero-Memは、長期メモリと長期コンテキストの問合せベンチマークで競合するパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-07-31T13:01:06Z) - 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) - From Passive Retrieval to Active Memory Navigation: Learning to Use Memory as a Structured Action Space [27.456426188493094]
NapMemは、ユーザ履歴をリンクされた多粒度メモリピラミッドにまとめる。
エージェントはクエリと中間的なエビデンスに従ってメモリを選択するように訓練される。
論文 参考訳（メタデータ） (2026-07-07T03:47:12Z) - Beyond Similarity: Trustworthy Memory Search for Personal AI Agents [25.265839311088516]
個人AIエージェントにおける信頼境界としてのメモリ探索について検討する。
MemGateは、信頼性の高いメモリ検索のための軽量でデプロイ可能なメモリプラグインである。
論文 参考訳（メタデータ） (2026-06-04T11:54:29Z) - 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) - Mem-W: Latent Memory-Native GUI Agents [50.87647372904382]
本稿では,メモリをエージェントの連続的コンテキストの一部として扱う,潜在メモリネイティブなGUIエージェントであるMem-Wを紹介する。
4つのWebおよびモバイルナビゲーションベンチマークで、Mem-Wはさまざまなバックボーンとメモリ拡張ベースラインを一貫して改善している。
論文 参考訳（メタデータ） (2026-05-10T04:31:23Z) - From Single to Multi-Granularity: Toward Long-Term Memory Association and Selection of Conversational Agents [79.87304940020256]
大言語モデル(LLM)は会話エージェントで広く採用されている。
MemGASは、多粒度アソシエーション、適応選択、検索を構築することにより、メモリ統合を強化するフレームワークである。
4つの長期メモリベンチマークの実験により、MemGASは質問応答と検索タスクの両方において最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2025-05-26T06:13:07Z) - Rethinking Memory in AI: Taxonomy, Operations, Topics, and Future Directions [55.19217798774033]
メモリは、大規模言語モデル(LLM)ベースのエージェントを支える、AIシステムの基本コンポーネントである。
本稿ではまず,メモリ表現をパラメトリックおよびコンテキスト形式に分類する。
次に、コンソリデーション、更新、インデックス付け、フォッティング、検索、圧縮の6つの基本的なメモリ操作を紹介します。
論文 参考訳（メタデータ） (2025-05-01T17:31:33Z) - Assessing Episodic Memory in LLMs with Sequence Order Recall Tasks [42.22616978679253]
本稿では,認知心理学におけるエピソード記憶研究の課題から順応する逐次リコールタスク(SORT)を紹介する。
SORTはLLMにテキストセグメントの正しい順序を思い出させる必要があり、拡張が容易で追加のアノテーションを必要としない一般的なフレームワークを提供する。
155人の被験者による人間実験から,本書の長期記憶に基づくシーケンス順序を再現できることが示唆された。
論文 参考訳（メタデータ） (2024-10-10T17:17:38Z) - 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。