論文の概要: What Eviction Destroys: A Restore-Counterfactual Audit of Forgetting in Agent Memory

• arxiv url: http://arxiv.org/abs/2609.08279v1
• Date: Tue, 08 Sep 2026 05:48:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.591024
• Title: What Eviction Destroys: A Restore-Counterfactual Audit of Forgetting in Agent Memory
• Title（参考訳）: Eviction Destroys: エージェントメモリにおけるフォーッティングのリストア-Counterfactual Audit
• Abstract要約: 我々は,質問ごとのペアによる介入であるリストア対策を導入し,質問のゴールドエビデンスをリードタイムの文脈で再記録する。 我々は,LongMemEval-SにおけるFIFO,ランダム,冗長,LLMの重要性を3つの予算と2つの検索条件で評価した。
• 参考スコア（独自算出の注目度）: 1.6558929815405155
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Agent memory systems must discard stored information when their history exceeds a fixed token budget. Existing budget-accuracy frontiers quantify the resulting loss in accuracy, but do not distinguish irreversible losses caused by eviction from recoverable retrieval failures. We introduce the restore counterfactual, a per-question paired intervention that reinstates the question's gold evidence in the read-time context and reruns the same reader. Combining the change in correctness with whether the evidence was retained after eviction classifies each oracle-answerable error as recoverable, irreversible, or residual; in the residual case, the answer remains incorrect after restoration. We evaluate FIFO, random, redundancy-aware, and LLM-importance eviction on LongMemEval-S at three budgets and under two retrieval regimes, using GPT-4o-mini as the primary reader and judge and GPT-5.4-mini as a robustness reader. Under top-k retrieval at an 80k-token budget, the irreversible share among errors corrected by restoration is 0.67-0.73 for FIFO, random, and redundancy-aware eviction, compared with 0.60 for LLM-importance. At 8k tokens, it reaches 1.00 for all four policies. Recoverable errors occur under top-k retrieval at 80k tokens but are absent under forced-gold injection by construction, so budget-accuracy results are not directly comparable unless the retrieval regime is reported. An exploratory matched-accuracy analysis detects no difference in irreversible rate among accuracy-matched policy pairs at a resolution of 1.2-6 percentage points. The same analysis detects the deliberately destructive control. To our knowledge, this is the first per-item, per-question restore-counterfactual audit of eviction for external agent-memory stores on a standard conversational benchmark.
• Abstract（参考訳）: エージェントメモリシステムは、その履歴が固定トークン予算を超えると、格納された情報を破棄しなければならない。 既存の予算精度フロンティアは、その結果の精度の損失を定量化するが、除去による不可逆的な損失と回復可能な検索失敗を区別しない。 我々は,質問ごとのペアによる介入として,質問のゴールド・エビデンスをリードタイムの文脈で再記述し,同じ読者を再実行する修復対策について紹介する。 正当性の変化と,その証拠が,各オラクルの解答可能な誤りを回復性,不可逆性又は残存性として分類した後に保持されたか否かを組み合わせて,残余の場合は,その解答は回復後に不正確なままである。 我々は,LongMemEval-SにおけるFIFO,ランダム,冗長性認識,LLM-importanceの3つの予算および2つの検索条件下での評価を行い,GPT-4o-miniを主読・判定とし,GPT-5.4-miniを堅牢性リーダとした。 80kの予算でトップkの検索を行うと、リストアによって修正されたエラーの可逆的なシェアは、FIFO、ランダム、冗長性認識のエミッションで0.67-0.73であり、LSM-importanceでは0.60である。 8kトークンで、4つのポリシすべてに対して1.00に達する。 回収可能なエラーは80kのトークンでトップk検索時に発生するが、建設による強制金型注入では発生しないため、検索体制が報告されない限り、予算精度は直接的に比較されない。 探索的マッチング精度解析は、精度マッチングされたポリシーペア間の可逆率の差を1.2-6ポイントの解像度で検出する。 同じ分析により、故意に破壊的な制御が検出される。 我々の知る限り、これは標準の会話ベンチマークで外部のエージェントメモリストアの退去に関する、最初の、要求ごとの復元・数え上げによる監査である。

関連論文リスト

• When Stale Constraints Go Unchecked: Budgeted Verification Failures in Inherited Agent Memory [0.0]
  証拠リンクは、継承された信条の裏にある証拠を保持しており、検証予算を持つエージェントは、検査するリンクを選択する必要がある。 我々は、決定制約を記述し、ソースレコードを削除したレコードに置き換えた統合記憶について研究する。 16の言語モデルは、落ち着いたように読む制約を再検証することはめったにない。 ひとたび制約が過小評価されると、77.3%、74.7%、74.7%のエピソードが一次実行、複製、保留領域で安定的な決定を下した。
  論文  参考訳（メタデータ） (2026-08-26T09:04:21Z)
• RecurSE: Bounded Recursive Self-Evaluation for LLM Rubric Judges [48.831446371402414]
  RecurSEは、訓練可能な裁判官と同期されたポリシーコピーチェッカーをペアにして、裁判官のメタルーブリックに対する推論を監査し、スカラープロセスの報酬を提供する。 本稿では,RecurSEが医療,ペアワイド,要約,プロフェッショナルベンチマークにおいて一貫した一般化を実現していることを示す。
  論文  参考訳（メタデータ） (2026-08-25T08:35:04Z)
• Measure, Don't Optimize: Forecasting Recovery in LLM Unlearning [57.920153607557744]
  J-Accessは、モデル出力経路に沿ってターゲット概念がアクセス可能な頻度を測定する推論時監査である。 我々は8つの未学習手法にまたがる398の公開未学習モデルを監査する。
  論文  参考訳（メタデータ） (2026-08-11T20:16:20Z)
• Independent Patch Verification for Coding Agents with a Bidirectional Reconstruct-and-Verify Framework [49.16055123488827]
  大規模言語モデルを利用したコーディングエージェントは、バグレポートから直接コードパッチを生成することができる。 報告された問題を真に解決するかどうかを独立に検証するメカニズムは存在しない。 本稿では,RETRACE をトレーニング不要なポストジェネレーション検証フレームワークとして提案する。
  論文  参考訳（メタデータ） (2026-08-09T22:59:13Z)
• What Would Fix This RAG Failure? Auditing Counterfactual Response with Paired Evidence Interventions [0.0]
  我々はPair-IDを紹介した。Pair-IDは1つのクエリ、検索状態、読み取り定数を格納し、次に2つの操作を横断する。 19,981のベンチマーククエリで11,105のQwen障害が特定され、SHA-256オーダーが1200を選択して、サンプリングされた応答を生成する。 その結果,ハッシュ選択された有資格障害サンプルにおいて有意な速度でエビデンスが発生し,観察された故障から部分的に予測可能であり,読者に条件付きであることが示唆された。
  論文  参考訳（メタデータ） (2026-08-09T22:43:27Z)
• When Do Corrective Features Help? An Agent for Corrective Feature Discovery on Black-Box Forecasters [44.11700214719062]
  本研究は, 凍結予測器の残差をマイニングし, 軽量なポストホック整流器を駆動する手法である。 本稿では,背骨を凍結保存し,その残存物を2つの相補的発電機でマイニングするCRAFTERについて述べる。 単一のバリデーション接地ゲートは、その起源に関係なくすべての候補を受け入れ、拒否し、バリデーション選択された修正者は、受け入れられた特徴を適用したり、予測を変更せずに残す。
  論文  参考訳（メタデータ） (2026-08-05T07:48:35Z)
• SVR: Self-Verifying Refinement via Joint Verdict-Confidence Reinforcement Learning for Adaptive Test-Time Compute [62.3458279176813]
  自己検証リファインメント(Self-Verifying Refinement)は、オラクルフリーのマルチターン強化学習フレームワークである。 自己検証を計算制御ポリシとして使用することを学ぶ。 マクロ平均精度は0.563で、平均で2.99回しか推測できない。
  論文  参考訳（メタデータ） (2026-07-30T16:20:58Z)
• Error Certificates for KV-Cache Eviction via Randomized Design [3.860898721527665]
  KV-cacheの無効化は、トークンのトップ$kを重要なスコアで保持し、残りを削除します。 我々は、この設計が何を破壊したかを理解できないことを証明している。 ランダム化消去は識別可能性の回復を示す。
  論文  参考訳（メタデータ） (2026-07-23T16:16:59Z)
• Mean Time to Remediate Is Not a Fielding Model: A Cadence Audit for Enterprise Vulnerability Management [51.56484100374058]
  本稿では,企業脆弱性管理のための改善ケイデンス監査について紹介する。 平均ラグ、放出期間、放出率、コホート幾何、緊急/ルーチン分割、非着地遅延、局所残留圧証拠、宣言されたレートシナリオを記録している。
  論文  参考訳（メタデータ） (2026-07-05T21:23:26Z)
• Think Again or Think Longer? Selective Verification for Budget-Aware Reasoning [15.231928045776293]
  sevraは、凍結したソルバの初期応答を保存するか、アクティブな検証を実行するかを決定するサーブレイヤーコントローラである。 数学では、選択的検証は76.3%の精度で行われ、検証は常に75.5%である。 CommonsenseQAでは、常時オンの検証が問題になり、Self-Consistency@5では、実現したトークンコストの約5倍の精度が向上する。
  論文  参考訳（メタデータ） (2026-06-18T05:25:43Z)
• SURE-RAG: Sufficiency and Uncertainty-Aware Evidence Verification for Selective Retrieval-Augmented Generation [6.604874054866016]
  本稿では,証拠満足度がセットレベル特性であることを示す,透過的なアグリゲーションプロトコルSURE-RAGを提案する。 共有ペアレベルのクレームエビデンス検証器は、SURE-RAGが集約した局所的関係分布を解釈可能な応答レベル信号に生成する。 制御されたマルチホップベンチマークであるHotpotQA-RAG v3をアーティファクト・アウェア・プロトコルで評価した。
  論文  参考訳（メタデータ） (2026-05-05T09:05:40Z)
• CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
  検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。 エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。 CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
  論文  参考訳（メタデータ） (2025-12-22T16:34:21Z)

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。