論文の概要: Does Your Agent's Memory Survive a Model Upgrade? A Controlled Study of Memory Portability

• arxiv url: http://arxiv.org/abs/2609.05339v1
• Date: Fri, 04 Sep 2026 16:44:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:24.12017
• Title: Does Your Agent's Memory Survive a Model Upgrade? A Controlled Study of Memory Portability
• Title（参考訳）: エージェントのメモリはモデルにアップグレードされるか? : メモリポータビリティの制御された研究
• Abstract要約: 長文読解(LC-RAW)における記憶量と記憶量の比較を行った。 ランダム化された応答符号を持つ48の合成ヒストリー、正確なスコアリング、100億以下のパラメータを持つ2つのオープンウェイトモデルを使用する。
• 参考スコア（独自算出の注目度）: 2.8890052855500143
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Model upgrades are routine; memory migrations are not. An agent can keep the same memory store and still forget: a new model may interpret old notes differently, mixed embedding versions may break retrieval, and repair may fail without the original evidence. We compare memory as the same history is preserved verbatim for long-context reading (LC-RAW), divided into chunks for retrieval-augmented generation (RAG), compressed by a model into natural-language notes (NOTES), or normalized into a fixed-schema knowledge graph (KG-fixed). The study uses 48 synthetic histories with randomized answer codes, exact scoring, and two open-weight models with sub 10 billion parameters. Our measurements show that fixed-schema structures transfer reliably, with KG-fixed accuracy changing by only $+0.0004 \pm 0.0020$ following a writer swap. Conversely, compressed NOTES exhibit high model coupling, with accuracy shifting asymmetrically by $+9.91$ or $-13.28$ percentage points depending on the specific migration direction. In RAG systems, partial embedding migrations using a 50/50 mixed index capture only a 4.96-point accuracy improvement, forfeiting the majority of the 11.90-point gain achieved through full re-embedding. Diagnostic decomposition attributes 80% ($0.467 \pm 0.014$) of the NOTES accuracy deficit to information lost during initial construction, whereas retrieval failures drive 81% ($0.364 \pm 0.012$) of the RAG deficit. Finally, store-only repair of NOTES fails to reach a 90% performance recovery target in all 48 test cases, whereas retaining the raw source history enables successful recovery in 34 of 48 cases for one tested direction. These findings highlight the necessity of direction-specific migration testing, strict embedding space isolation, and the retention of source histories for memory repair.
• Abstract（参考訳）: モデルアップグレードはルーチンであり、メモリマイグレーションは行わない。 新しいモデルは古い音符を別々に解釈し、混合埋め込みバージョンは検索を壊し、元の証拠なしに修復は失敗する。 我々は,長文読解(LC-RAW)のメモリを,検索拡張生成(RAG)のチャンクに分割し,モデルによって圧縮されたメモリを自然言語ノート(NOTES)に,あるいは固定スキーマ知識グラフ(KG-fixed)に正規化した。 この研究は48の合成履歴と無作為な回答符号、正確なスコアリング、そして100億以下のパラメータを持つ2つのオープンウェイトモデルを用いている。 測定の結果,KG固定精度はライタースワップ後にわずか0.0004 \pm 0.0020$で変化した。 逆に圧縮されたNOTESは高いモデル結合を示し、精度は特定の移動方向に応じて$+9.91$または$-13.28$%の非対称シフトを示す。 RAGシステムでは、50/50混合インデックスキャプチャによる部分埋め込みマイグレーションは4.96ポイントの精度の改善に留まり、完全な再埋め込みによって11.90ポイントのゲインの大部分を達成できなかった。 診断分解はNOTESの精度低下の80%(0.467 \pm 0.014$)が初期工事中に失われた情報であるのに対し、検索失敗はRAGの損失の81%(0.364 \pm 0.012$)を駆動している。 最後に、NOTESのストアのみの修復は、48のテストケースすべてで90%のパフォーマンス回復目標に達することができず、一方、ソース履歴の保持は、1つのテスト方向で48ケース中34ケースで回復を成功させる。 これらの知見は、方向特異的なマイグレーションテスト、厳密な埋め込み空間分離、および記憶修復のためのソース履歴の保持の必要性を浮き彫りにした。

関連論文リスト

• Continual Graph Memory for Adaptive Recommendation under Intent Drift [7.140905344515738]
  本稿では,意図的ドリフト下での適応的レコメンデーションについて検討し,各レコメンデーション結果からのフィードバックによって,ランク付けに使用される関係証拠が有用か,欠落か,誤解を招くかを明らかにする。 本稿では,適応型レコメンデーションのための連続グラフメモリフレームワークであるCGM-Recを提案する。
  論文  参考訳（メタデータ） (2026-09-04T02:32:20Z)
• From Faulty Memories to Corrected Actions: Dependency-Guided Rollback Repair for Memory-Augmented Agents [19.125716338799545]
  textbfdependency-guided rollback repairは、出所からの型付きメモリ対アクショングラフを構築し、明示的な下流依存性をトレースし、応答関連処理のみを選択的に再生する。 本手法は,3つのツール使用領域と4つのメモリ障害タイプにまたがる150ケースのベンチマークで評価する。
  論文  参考訳（メタデータ） (2026-08-11T05:19:55Z)
• Causal Episodic Memory for Feedback-Driven Agent Repair [2.641347237473854]
  オラクル認証のオンライン双極性メモリを保守するトレーニングフリーエージェントであるMERITを紹介する。 負のメモリが適度に寄与することを示し、型条件付けと語彙ランク付けの値はデータセットに依存し、スキーマローカルエクスペリエンスが最も一貫した利点を提供する。
  論文  参考訳（メタデータ） (2026-08-06T11:34:03Z)
• Fantastic Adaptive Taxonomies and How to Use Them [100.20614173157708]
  AdaMASTは、実行トレースをコンパクトでエビデンスに基づく障害分類に変換する。 コードには手書きのコードはなく、人間による注釈もない。 エージェント・システム・サーチでは、失敗候補の分類コード診断が自由形式より優れている。
  論文  参考訳（メタデータ） (2026-07-17T17:41:16Z)
• MemDelta: Controlled Baselines and Hidden Confounds in Agent Memory Evaluation [8.38765074765613]
  エージェントメモリシステムは、RAGとフルコンテキストベースラインに対してますます評価される。 報告されたゲインは、しばしばメモリメソッドの変更と言語モデル、埋め込みモデル、または検索パイプラインの変更を混合する。 我々は,LongMemEval-S(500の質問,50以上のセッション,3つのモデルファミリ)において,一度に1つのコンポーネントを変更する制御された評価プロトコルであるMemDeltaを提案する。
  論文  参考訳（メタデータ） (2026-06-29T07:51:22Z)
• Output Vector Editing for Memorization Mitigation in Large Language Models [68.30351930772788]
  大規模な言語モデルは、トレーニングデータからシーケンスを記憶し、再現し、プライバシ、著作権、セキュリティリスクを生み出す。 既存のニューロンレベルの緩和方法は、ニューロンの活性化をゼロにすることで編集を等しくするが、活性化はニューロンが関与するかどうかのみを制御する。 記憶継続に責任を負うニューロンの小さな集合を探索する制約最適化編集である出力ベクトル編集を提案する。
  論文  参考訳（メタデータ） (2026-06-17T07:29:18Z)
• Control-Plane Placement Shapes Forgetting: An Architectural Study of Agent Memory Across Thirteen System Configurations [1.2763567932588586]
  ForgetEvalは1000ケースのテンプレート・スイートと385ケースの対向層(手作り+253 LLMのオラクル・バリデーション) 決定論的プリミティブは語彙的・時間的カテゴリーで十分だが、正準化に失敗する。 1000ケースのテンプレートスイートと385ケースの反対層であるForgetEvalを通じて、トレードオフを公開しています。
  論文  参考訳（メタデータ） (2026-06-14T16:32:15Z)
• MemQ: Integrating Q-Learning into Self-Evolving Memory Agents over Provenance DAGs [47.66730296440261]
  我々は,新たなメモリが生成されるたびに記憶が取得されたことを記録した証明DAGを通じて,クレジットを後方に伝播するMemQを紹介した。 6つのベンチマークで、MemQは、一般化評価とランタイム学習の6つすべてで最高成功率を達成した。 さらに、$と$がEC-MDP構造とどのように相互作用するかを研究し、パラメータ選択と将来の研究の原則的なガイダンスを提供する。
  論文  参考訳（メタデータ） (2026-05-08T18:30:24Z)
• Memory Caching: RNNs with Growing Memory [56.25483647131372]
  メモリ状態(隠された状態)のチェックポイントをキャッシュすることで、リカレントモデルを強化する技術であるメモリキャッシュ(MC)を導入する。 我々は,ゲートアグリゲーションとスパース選択機構を含むMCの4つの変種を提案し,それらが線形メモリモジュールおよび深部メモリモジュールに与える影響について議論する。 その結果,トランスフォーマーの精度は高いが,我々のMC変種は競争性能を示し,トランスフォーマーとのギャップを埋め,最先端のリカレントモデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2026-02-27T18:53:41Z)
• 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)
• Integral Continual Learning Along the Tangent Vector Field of Tasks [112.02761912526734]
  本稿では,特殊データセットからの情報を段階的に組み込んだ軽量連続学習手法を提案する。 ソースデータセットの0.4%まで小さく、小さな固定サイズのメモリバッファを保持しており、単純な再サンプリングによって更新される。 提案手法は,異なるデータセットに対して,様々なバッファサイズで高い性能を実現する。
  論文  参考訳（メタデータ） (2022-11-23T16:49:26Z)
• Identifying Statistical Bias in Dataset Replication [102.92137353938388]
  モデルが(11-14%) の精度低下を示すImageNetデータセットの再現について検討した。 同定された統計バイアスを補正した後、推定3.6%のpm 1.5%の当初の11.7%のpm 1.0%の精度低下しか記録されていない。
  論文  参考訳（メタデータ） (2020-05-19T17:48:32Z)

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。