論文の概要: Kernel-Managed Shared Memory for System-Wide Personalization
- arxiv url: http://arxiv.org/abs/2609.10144v1
- Date: Wed, 09 Sep 2026 13:20:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:09.034508
- Title: Kernel-Managed Shared Memory for System-Wide Personalization
- Title（参考訳）: カーネル管理型共有メモリによるシステムワイドパーソナライゼーション
- Abstract要約: カーネル管理共有メモリは、特殊なエージェントが構造化されたタグ付きメモリを記述するシステムレベルの抽象化である。
この設計をAIOS上で実装し評価し、3つのアシスタントモデル間の3つの選択肢と比較する。
その結果、エージェントシステムカーネルにおけるメモリ管理の集中化は、制約のないコンテキストのパーソナライゼーションのメリットを、そのコストのごく一部で実現していることがわかった。
- 参考スコア（独自算出の注目度）: 36.23690583022494
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI systems become more useful when they can adapt to the people using them, but in multi-agent systems, useful context learned by one agent often remains unavailable to others. We present kernel-managed shared memory, a system-level abstraction in which specialized agents write structured, tagged memories while the agent-system kernel, not individual agents, governs retrieval, privacy enforcement, and prompt injection. We implement and evaluate this design on AIOS and compare it against three alternatives across three assistant models (GPT-4o, Llama-3.1:8B, Qwen-2.5:7B) and 1,800 total trials. Against an unmanaged external memory backend (Mem0) using identical underlying storage, kernel-managed retrieval and injection improve personalization scores by 2.4-4.0 points on a 5-point scale (e.g., 1.05 to 4.69 profile usage on GPT-4o), with every comparison significant at p < 10^-18. Against standard retrieval-augmented injection, gains are similarly large and consistent across all three models. Against full, unfiltered context concatenation, a soft ceiling on available context rather than on response quality, kernel-managed injection statistically matches performance on two of three models and shows a small, model-specific deficit on the third, while using substantially shorter prompts: end-to-end latency is 15-61% lower across all three models, with corresponding reductions in per-call token usage and inference cost. These results indicate that centralizing memory management in the agent-system kernel, rather than leaving retrieval and privacy enforcement to individual agents, delivers most of the personalization benefit of unconstrained context at a fraction of its cost.
- Abstract（参考訳）: しかし、マルチエージェントシステムでは、あるエージェントが学習した有用なコンテキストは、他のエージェントでは利用できないことが多い。
本稿では,カーネル管理共有メモリについて述べる。カーネル管理共有メモリとは,個々のエージェントではなく,エージェントシステムカーネルが検索,プライバシ強制,即時注入を統括する,構造化された,タグ付けされたメモリを特殊なエージェントが記述するシステムレベルの抽象化である。
我々はこの設計をAIOS上で実装し評価し、3つのアシスタントモデル(GPT-4o, Llama-3.1:8B, Qwen-2.5:7B)と1,800のトータルトライアルで比較した。
同一のストレージを使用するアンマネージドな外部メモリバックエンド(Mem0)に対して、カーネル管理された検索とインジェクションは5ポイントスケール(例えば、GPT-4oで1.05から4.69のプロファイル使用)でパーソナライズスコアを2.4-4.0改善し、p < 10^-18で比較した。
通常の検索拡張インジェクションに対して、ゲインは同様に大きく、3つのモデルで一貫性がある。
フルでフィルタされていないコンテキスト結合に対して、応答品質ではなく、利用可能なコンテキスト上のソフト天井では、カーネル管理インジェクションが3つのモデルのうち2つのモデルのパフォーマンスと統計的に一致し、3番目のモデルで小さなモデル固有の障害を示すが、かなり短いプロンプトを使用する: エンドツーエンドのレイテンシは、3つのモデルで15～61%低く、トークン単位のトークン使用率と推論コストが減少する。
これらの結果は、検索とプライバシの執行を個々のエージェントに委ねるのではなく、エージェントシステムカーネルにおけるメモリ管理の集中化が、制約のないコンテキストのパーソナライゼーションのメリットを、そのコストのごく一部で実現していることを示している。
関連論文リスト
- Mem-$π$: Adaptive Memory through Learning When and What to Generate [65.31077328444077]
本稿では,大規模言語モデル(LLM)エージェントにおける適応メモリのためのフレームワークを提案する。
Mem-$は検索ベースとRL最適化メモリベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2026-05-20T17:51:05Z) - Human-Inspired Memory Architecture for LLM Agents [0.9507070656654629]
6つの認知機構からなる生体記憶アーキテクチャを提案する。
各メカニズムは、単純メモリ蓄積の特定の障害モードに対処する。
S層スケール(50セッション)では、デダップベースのコンソリデーションにより、好みのリコールが+13.3pp向上する。
論文 参考訳（メタデータ） (2026-05-08T22:52:37Z) - MemReranker: Reasoning-Aware Reranking for Agent Memory Retrieval [37.54115468116941]
本報告では,Qwen3-Reranker を用いた多段 LLM 知識蒸留によるリグレードモデルファミリ MemReranker (0.6B/4B) について紹介する。
メモリ検索ベンチマークでは、MemReranker-0.6BはBGE-Rerankerを大きく上回り、オープンソースの4B/8BモデルとGPT-4o-miniをキーメトリクスでマッチングする。
MemReranker-4B はさらに 0.737 MAP を達成し、Gemini-3-Flash と同等のメトリクスを持つ一方で、推論遅延を10-20%の大型モデルで維持している。
論文 参考訳（メタデータ） (2026-05-07T12:33:57Z) - ImplicitMemBench: Measuring Unconscious Behavioral Adaptation in Large Language Models [60.14219417402433]
LLMエージェントの既存のメモリベンチマークは、事実の明示的なリコールを評価するが、意識的な検索なしに、経験が自動的な振る舞いになる暗黙の記憶を見落としている。
IndicitMemBenchは、非宣言的メモリの標準的な認知科学のアカウントから引き出された3つの構造を通して暗黙的メモリを評価する最初の体系的なベンチマークである。
当社の300イテムスイートでは,初動採点を備えたLearning/Priming-Interfere-Testプロトコルを統一しています。
論文 参考訳（メタデータ） (2026-04-09T10:26:32Z) - MemMachine: A Ground-Truth-Preserving Memory System for Personalized AI Agents [2.541923091180284]
大規模言語モデル(LLM)エージェントはパーソナライゼーション、事実連続性、長期的推論を維持するために永続記憶を必要とする。
本稿では,短期,長期,プロファイルメモリを統合したオープンソースのメモリシステムであるMemMachineを紹介する。
MemMachineは、コンテキスト化された検索を使用して、周囲のコンテキストにマッチする核を拡大し、関連するエビデンスが複数の対話にまたがる場合のリコールを改善する。
論文 参考訳（メタデータ） (2026-04-06T16:57:06Z) - Omni-SimpleMem: Autoresearch-Guided Discovery of Lifelong Multimodal Agent Memory [76.63021613850093]
我々は、生涯にわたるAIエージェントのための統合マルチモーダルメモリフレームワークであるOmni-SimpleMemを発見するために、自律的な研究パイプラインをデプロイする。
システムは2つのベンチマークで最先端を実現し、LoCoMoではF1を+411%改善し、Mem-Galleryでは+214%向上した。
本稿では,6種類の発見型を分類し,特に自動検索に適したマルチモーダルメモリを実現する4つの特性を同定する。
論文 参考訳（メタデータ） (2026-04-01T15:06:23Z) - MAPLE: A Sub-Agent Architecture for Memory, Learning, and Personalization in Agentic AI Systems [0.0]
大規模言語モデル(LLM)エージェントは複雑なタスクのための強力なツールとして登場したが、個々のユーザへの適応能力は基本的に制限されている。
現在のシステムは3つの異なるメカニズムではなく、記憶、学習、パーソナライゼーションを統一された能力として扱う。
メモリは記憶と検索のインフラを処理し、学習は蓄積された相互作用から知性を非同期に抽出し、パーソナライゼーションは有限のコンテキスト予算内で学習知識をリアルタイムで適用する。
論文 参考訳（メタデータ） (2026-02-03T03:46:39Z) - EffGen: Enabling Small Language Models as Capable Autonomous Agents [21.17719258111762]
effGenは、小さな言語モデル(SLM)に最適化されたエージェントフレームワークである
1) コンテクストを70～80%圧縮するプロンプト最適化によるツールコールの強化,(2) 依存関係に基づいて複雑なクエリを並列あるいはシーケンシャルなサブタスクに分解するインテリジェントタスク分解,(3) 短期,長期,ベクトルベースのストレージを組み合わせた統一メモリシステム。
論文 参考訳（メタデータ） (2026-01-31T20:24:56Z) - Towards a Science of Scaling Agent Systems [79.64446272302287]
エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。
協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。
ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
論文 参考訳（メタデータ） (2025-12-09T06:52:21Z) - CIMemories: A Compositional Benchmark for Contextual Integrity of Persistent Memory in LLMs [62.116710797795314]
大規模言語モデル(LLM)は、パーソナライゼーションとタスクパフォーマンスを向上させるために、過去のインタラクションから永続的なメモリを使用することが多い。
タスクコンテキストに基づいて,LLMがメモリからの情報フローを適切に制御するかどうかを評価するベンチマークであるCIMemoriesを提案する。
論文 参考訳（メタデータ） (2025-11-18T21:51:23Z)
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。