論文の概要: What Should an Agent Forget? Separating What Is Stored from What Is Used
- arxiv url: http://arxiv.org/abs/2609.10263v1
- Date: Wed, 09 Sep 2026 14:48:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:09.068347
- Title: What Should an Agent Forget? Separating What Is Stored from What Is Used
- Title（参考訳）: エージェントは何を忘れるべきか? 使うものから保存するものを切り離す
- Abstract要約: 永続的な言語エージェントは、時間にわたって利用できるように格納されたエクスペリエンスを必要とします。
RD-Forgetは、エージェントが保存するものと使用するものとを分離する、トレーニング不要のフレームワークです。
- 参考スコア（独自算出の注目度）: 14.434131011155545
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Persistent language agents need stored experience to remain available across time, while each answer requires evidence suited to a particular question. A superseded fact can mislead a current-state answer and still be essential for a historical query. We present RD-Forget, a training-free framework that separates what an agent stores from what it uses. A retained source archive preserves observations, and a query-conditioned memory view controls their influence on the current answer. A frozen language-model curator extracts relevant evidence, groups facts into semantic slots, and preserves the relations needed for multi-hop reasoning. Same-slot replacement links suppress superseded values in current-state contexts, while intent-aware retrieval makes earlier evidence eligible again. A rate-distortion formulation guides construction of the answer-time view within a memory budget. Experiments span conversational memory, knowledge updating, fact consolidation, long-context reasoning, and personalization under a shared answering pipeline. The results associate accurate answers with both query-relevant evidence construction and control over obsolete alternatives. Configurations without forgetting or query conditioning have the largest score deficits, while slot grouping, historical access, and relation preservation contribute complementary functions. Retaining history while selectively controlling its use offers a practical way to accommodate changing facts and future questions.
- Abstract（参考訳）: 永続的な言語エージェントは、時間を通して利用できるように格納されたエクスペリエンスを必要とし、それぞれの答えは特定の質問に適した証拠を必要とします。
過小評価された事実は、現在の回答を誤解させる可能性があり、歴史的クエリには依然として不可欠である。
RD-Forgetは、エージェントが保存するものと使用するものとを分離する、トレーニング不要のフレームワークです。
保持されたソースアーカイブは、観測を保存し、クエリ条件のメモリビューは、現在の回答に対する彼らの影響を制御する。
凍結された言語モデルキュレーターは、関連する証拠を抽出し、事実をセマンティックスロットにグループ化し、マルチホップ推論に必要な関係を保存する。
同一スロット置換リンクは、現在の状況における重畳された値を抑制する一方、意図認識検索は、以前の証拠を再び許容する。
速度歪み定式化は、メモリ予算内での応答時間ビューの構築を導く。
実験は会話記憶、知識更新、事実統合、長期コンテキスト推論、そして、共有応答パイプラインの下でのパーソナライゼーションにまたがる。
結果は、クエリ関連エビデンスの構築と、古い代替品の制御の両方に正確な答えを関連付けている。
忘れることやクエリ条件のない構成は最大のスコア不足を持ち、スロットグループ化、履歴アクセス、関係保存は相補的な機能に寄与する。
歴史を維持しながらその使用を選択的に制御することは、変化する事実や将来の疑問に対応する実践的な方法である。
関連論文リスト
- CueMem: Cue-Guided Context Reconstruction for Long-Term Conversational Memory [38.76918926805768]
CueMemは、抽出されたメモリレコードを検索キューとして扱うキュー誘導フレームワークである。
ソースターンからクエリ関連対話コンテキストを再構築する。
LoCoMoとLongMemEvalの実験によると、CueMemは長期的なメモリ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） (2026-09-11T02:27:22Z) - GROVE: Growing and Reasoning over Temporally Stratified Memory from Streaming Video Experience [67.55136435794206]
ウェアラブルアシスタントは、その視覚的履歴に関する質問に答え、その歴史が現在の状況に有効であるかどうかを認識する。
GROVEは、連続的なビデオストリームから慎重に成長した1つのメモリで両方の動作をサポートする、トレーニング不要のフレームワークである。
GROVEは、きめ細かい知覚的証拠を保持し、それをタイムスタンプ化された瞬間、一貫性のあるエピソード、そして日々のパターンに漸進的に統合する。
論文 参考訳（メタデータ） (2026-08-03T15:35:28Z) - MemOps: Benchmarking Lifecycle Memory Operations in Long-Horizon Conversations [50.24315431387575]
ライフサイクル操作のシーケンスとして会話メモリを再構成するベンチマークであるMemOpsを紹介する。
MemOpsは、それぞれのメモリイベントをトリガ、ターゲット、スコープ、状態遷移、エビデンスを指定した構造化トレースで表現する。
長いコンテキスト、検索ベース、パラメトリック、マネージドメモリシステムにわたって、MemOpsはファイナ・アンサーの精度のみを隠蔽する障害モードをアンタングルする。
論文 参考訳（メタデータ） (2026-07-14T15:33:44Z) - ReContext: Recursive Evidence Replay as LLM Harness for Long-Context Reasoning [78.94047086588078]
長文推論のための LLM Harness として再帰的証拠を提案する。
長文推論を改善するための訓練不要推論法である。
128Kのコンテキスト長を持つ8つの長文データセットの実験は、エビデンスの利用を一貫して改善していることを示している。
論文 参考訳（メタデータ） (2026-07-02T17:59:26Z) - TRACE: State-Aware Query Processing over Temporal Evidence Graphs for Conversational Data [15.389000154441986]
本稿では,時間的エビデンスグラフ上の問合せ処理フレームワークTRACEについて述べる。
TRACEは、イベント、セッション、トピックにまたがる階層的なグラフとして会話をモデル化する。
問合せ時に、TRACEは、ベクトルベースのノート検索とグラフ誘導エビデンス検索を組み合わせることで、妥当性を意識したサポートパスと、回答生成のためのハイブリッドコンテキストを生成する。
論文 参考訳（メタデータ） (2026-07-01T02:28:47Z) - RaMem: Contextual Reinstatement for Long-term Agentic Memory [21.228780482661076]
本稿では,検索したメモリフラグメントを文脈的エビデンスに変換するフレームワークであるAgenic Memory (RaMem) について述べる。
ラメムは4つの調整された段階を経る: (i) それぞれの記憶を元のエピソード条件、特にイベント時間、参照時間、セッションスパンおよび参加者に固定する証拠 (ii) 記憶条件誘導は、クエリによって入力されたエビデンス条件を導出する; (iii) 妥当性認識検索は、これらの条件を使用して、コンテンツ関連候補をフォールバック証拠として保持しながら、コンテキスト互換な記憶を優先順位付けする; (iv) コンテキスト保存合成は、選択された記憶の構造化されたコンテキストをジェネレータに保持する。
論文 参考訳（メタデータ） (2026-06-22T04:41:14Z) - REAL: A Reasoning-Enhanced Graph Framework for Long-Term Memory Management of LLMs [17.526686616588794]
大きな言語モデル(LLM)は、長い時間をかけてユーザーと対話することがますます期待されている。
LLMは過去のすべてのインタラクションを保持することができず、履歴情報の保存、更新、検索には長期記憶管理が不可欠である。
REALは長期会話記憶を時間的かつ信頼性に配慮したプロパティグラフとして構成する。
論文 参考訳（メタデータ） (2026-06-09T10:53:10Z) - SAM: State-Adaptive Memory for Long-Horizon Reasoning Agent [51.274445160155864]
ロングホライゾンのエージェント推論は、思考、ツールコール、観察、部分的な結論を含む長い相互作用履歴を通して行動するために大きな言語モデルを必要とする。
既存のアプローチでは、インタラクション履歴の切り抜き、短いサロゲートに圧縮、あるいは再利用のために選択した部分を取得することで、この問題に対処している。
我々は、インテント駆動リコールのための生のトラジェクトリページを保持しながら、継続的なインタラクションをコンパクトなメモリキューに統合するスタンドアロンフレームワークであるState-Adaptive Memoryを提案する。
論文 参考訳（メタデータ） (2026-05-23T08:37:16Z) - DeferMem: Query-Time Evidence Distillation via Reinforcement Learning for Long-Term Memory QA [3.56156695760535]
大規模言語モデル(LLM)エージェントは、依然として長期記憶疑問応答に苦慮している。
本稿では,この問題をハイリコール候補検索とクエリ条件のエビデンス蒸留に分離する長期記憶フレームワークであるDederMemを紹介する。
LoCoMoとLongMemEval-Sでは、DeferMemはQAの精度とメモリシステムの効率性において強力なベースラインを超えている。
論文 参考訳（メタデータ） (2026-05-21T12:36:46Z) - All-Mem: Agentic Lifelong Memory via Dynamic Topology Evolution [20.68235182577703]
All-Memは明示的で非破壊的な統合を通じて構造化されたメモリバンクを維持している。
LLM診断器は定期的にオフラインで、SPLIT、MERGE、UPDATEの3つの演算子で実行される信頼性スコアトポロジ編集を提案する。
クエリ時には、タイプドリンクはホップバウンドで、アクティブアンカーから必要に応じてアーカイブされたエビデンスへの予算付き拡張を可能にする。
論文 参考訳（メタデータ） (2026-03-20T03:14:40Z) - AMA: Adaptive Memory via Multi-Agent Collaboration [54.490349689939166]
複数の粒度にまたがるメモリ管理に協調エージェントを活用する新しいフレームワークであるAMA(Adaptive Memory via Multi-Agent Collaboration)を提案する。
AMAは、ステート・オブ・ザ・アートのベースラインを著しく上回り、トークンの消費をフルコンテキストの手法と比べて約80%削減する。
論文 参考訳（メタデータ） (2026-01-28T08:09:49Z) - Query Resolution for Conversational Search with Limited Supervision [63.131221660019776]
本稿では,双方向トランスフォーマに基づくニューラルクエリ解決モデルQuReTeCを提案する。
我々はQuReTeCが最先端モデルより優れており、また、QuReTeCのトレーニングに必要な人為的なデータ量を大幅に削減するために、我々の遠隔監視手法が有効であることを示す。
論文 参考訳（メタデータ） (2020-05-24T11:37:22Z)
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。