論文の概要: CHIME: Credit-Aware Hierarchical Memory Evolution for Long-Horizon Agentic Planning
- arxiv url: http://arxiv.org/abs/2609.02074v1
- Date: Wed, 02 Sep 2026 03:59:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:18.045224
- Title: CHIME: Credit-Aware Hierarchical Memory Evolution for Long-Horizon Agentic Planning
- Title（参考訳）: CHIME:長期エージェントプランニングのための信用型階層記憶の進化
- Abstract要約: 計画はエージェントが複雑なロングホライゾンタスクを管理可能なステップに分解できる中心的な能力である。
テストタイム検索とトレーニングベースの手法は計画を改善するが、高い推論コストを発生させる。
自己進化型メモリは、エージェントインタラクションの結果から再利用可能なエクスペリエンスを外部メモリバンクに蓄積する。
- 参考スコア（独自算出の注目度）: 46.278651660199664
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Planning is a central capability that enables agents to decompose complex long-horizon tasks into manageable steps. Test-time search and training-based methods improve planning but incur high inference costs or require expensive training data. Self-evolving memory instead accumulates reusable experience from agent interaction outcomes into an external memory bank, so planning capability keeps improving at inference time without parameter updates. However, existing self-evolving memory methods share an inherent credit assignment problem: they rely on final task outcomes as feedback, but such outcomes conflate plan quality with execution errors and environmental factors, so the accumulated planning experience is often biased and noisy. To address this problem, we propose Credit-Aware Hierarchical Memory Evolution (CHIME), a self-evolving memory framework that maintains a separate planning bank and execution bank and follows an attribute-before-memorize principle: CHIME first attributes each task outcome to the plan, the execution, both, or neither, and then updates only the corresponding memory bank. Extensive experiments on four long-horizon agent benchmarks show that CHIME consistently outperforms state-of-the-art training-based and self-evolving memory baselines. Further analyses reveal several interesting findings. For example, CHIME accumulates effective memory with far fewer items. In addition, the learned memory values faithfully reflect downstream utility: high-quality planning memories are more valuable than execution memories. Finally, the accumulated memory effectively transfers across backbone models. Code will be released at https://github.com/ATH-MaaS/Marco-DeepResearch.
- Abstract（参考訳）: 計画はエージェントが複雑な長期タスクを管理可能なステップに分解できる中心的な能力である。
テストタイム検索とトレーニングベースの手法は計画を改善するが、高い推論コストを発生させるか、高価なトレーニングデータを必要とする。
自己進化型メモリは代わりにエージェントインタラクションの結果から再利用可能なエクスペリエンスを外部メモリバンクに蓄積する。
しかしながら、既存の自己進化型メモリ手法は、最終タスクの結果をフィードバックとして依存するが、そのような結果が計画品質と実行エラーと環境要因を区別するので、蓄積した計画経験はバイアスがかかりうる。
この問題に対処するために、我々は、個別の計画銀行と実行銀行を維持し、属性を記憶した原則に従う自己進化型メモリフレームワークである、Credit-Aware Hierarchical Memory Evolution (CHIME)を提案する。
4つのロングホライゾンエージェントベンチマークの大規模な実験により、CHIMEは最先端のトレーニングベースと自己進化型メモリベースラインを一貫して上回っていることが示された。
さらなる分析により、いくつかの興味深い発見が明らかになった。
例えば、CHIMEは、はるかに少ないアイテムで効果的なメモリを蓄積する。
さらに、学習したメモリ値は下流のユーティリティを忠実に反映する:高品質な計画記憶は実行記憶よりも価値が高い。
最後に、蓄積されたメモリはバックボーンモデル間で効果的に転送される。
コードはhttps://github.com/ATH-MaaS/Marco-DeepResearchでリリースされる。
関連論文リスト
- AdMem: Advanced Memory for Task-solving Agents [13.611633561917513]
大規模言語モデル(LLM)はツール使用エージェントとしての約束を示すが、知識の記憶、整理、再利用を必要とする長期的タスクには制限がある。
本稿では,短期記憶と長期記憶を組み合わせた2段階設計において,セマンティック,エピソード,手続き記憶を統合した統合的・自動記憶フレームワークを提案する。
論文 参考訳（メタデータ） (2026-06-05T00:11:57Z) - EvoMemBench: Benchmarking Agent Memory from a Self-Evolving Perspective [21.66000179149483]
EvoMemBenchは、メモリスコープとメモリ内容の2つの軸に沿って編成された統一ベンチマークである。
本稿では,15個の代表記憶法と強い長文ベースラインを標準プロトコルで比較する。
結果は、現在のメモリシステムは、まだ一般的な解決策には程遠いことを示している。
論文 参考訳（メタデータ） (2026-05-18T13:54:38Z) - Memory Intelligence Agent [32.709148411051764]
メモリシステムにより、ディープリサーチエージェント(DRA)は歴史的な経験を活用できる。
既存の方法は、推論を助けるために、メモリから類似の軌跡を取得することに依存している。
本稿では, Manager-Planner-Executorアーキテクチャからなる新しいメモリインテリジェンスエージェントフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-06T07:59:52Z) - Fine-Mem: Fine-Grained Feedback Alignment for Long-Horizon Memory Management [63.48041801851891]
Fine-Memは、きめ細かいフィードバックアライメントのために設計された統一されたフレームワークである。
MemalphaとMemoryAgentBenchの実験は、Fin-Memが強いベースラインを一貫して上回ることを示した。
論文 参考訳（メタデータ） (2026-01-13T11:06:17Z) - HiMem: Hierarchical Long-Term Memory for LLM Long-Horizon Agents [3.9396865837159822]
HiMemは、長距離対話のための階層的長期記憶フレームワークである。
メモリ構築、検索、持続的なインタラクション中の動的更新をサポートする。
その結果、HiMemは、精度、一貫性、長期的な推論において、代表的ベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2026-01-10T01:26:01Z) - Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents [57.38404718635204]
大規模言語モデル (LLM) エージェントは、有限コンテキストウィンドウによる長距離推論において基本的な制限に直面している。
既存のメソッドは通常、長期記憶(LTM)と短期記憶(STM)を独立したコンポーネントとして扱う。
本稿では,エージェントのポリシーに LTM と STM 管理を直接統合する統合フレームワークである Agentic Memory (AgeMem) を提案する。
論文 参考訳（メタデータ） (2026-01-05T08:24:16Z) - Remember Me, Refine Me: A Dynamic Procedural Memory Framework for Experience-Driven Agent Evolution [52.76038908826961]
我々は静的ストレージと動的推論のギャップを埋めるため、$textbfReMe$ ($textitRemember Me, Refine Me$)を提案する。
ReMeは3つのメカニズムを通じてメモリライフサイクルを革新する: $textitmulti-faceted distillation$, きめ細かい経験を抽出する。
BFCL-V3とAppWorldの実験では、ReMeが新しい最先端のエージェントメモリシステムを確立している。
論文 参考訳（メタデータ） (2025-12-11T14:40:01Z) - EvoMem: Improving Multi-Agent Planning with Dual-Evolving Memory [2.9578217823740065]
本稿では,デュアル進化メモリ機構上に構築されたマルチエージェントフレームワークであるEvoMemを紹介する。
旅行計画、会議計画、カレンダースケジューリングにおける一貫したパフォーマンス改善を示す。
この成功は、マルチエージェント計画の強化におけるメモリの重要性を強調している。
論文 参考訳（メタデータ） (2025-11-01T01:38:07Z) - ReasoningBank: Scaling Agent Self-Evolving with Reasoning Memory [57.517214479414726]
ReasoningBankは、エージェントの自己判断の成功と失敗の経験から一般化可能な推論戦略を抽出するメモリフレームワークである。
テスト時には、エージェントがReasoningBankから関連する記憶を取得してそのインタラクションを知らせ、新しい学習を統合することで、時間が経つにつれてより有能になる。
本稿では,エージェントのインタラクションエクスペリエンスをスケールアップすることにより,学習プロセスの高速化と多様化を図るメモリ対応テストタイムスケーリング(MaTTS)を提案する。
論文 参考訳（メタデータ） (2025-09-29T17:51:03Z) - Memp: Exploring Agent Procedural Memory [72.41472703974935]
LLM(Large Language Models)ベースのエージェントは様々なタスクをこなすが、静的パラメータで手動で設計または絡み合うような不安定なプロシージャメモリに悩まされる。
本稿では,過去のエージェントの軌跡をステップバイステップの細粒度と高レベルなスクリプトライクな抽象化の両方に蒸留するMempを提案する。
メモリレポジトリが洗練されるにつれて、エージェントは着実に高い成功率と類似タスクの効率を達成できることを示す。
論文 参考訳（メタデータ） (2025-08-08T16:20:56Z)
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。