論文の概要: LifeFuse-Mem: Lifecycle-Aware State Fusion Against Temporary Overwriting for Long-Term Memory
- arxiv url: http://arxiv.org/abs/2609.12436v1
- Date: Fri, 11 Sep 2026 04:56:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.624847
- Title: LifeFuse-Mem: Lifecycle-Aware State Fusion Against Temporary Overwriting for Long-Term Memory
- Title（参考訳）: LifeFuse-Mem:長期記憶のための一時的なオーバーライトに対するライフサイクル対応状態融合
- Abstract要約: LLMエージェントは相互作用間のコヒーレントな内部状態を維持するメモリ機構を必要とする。
LifeFuse-Memは、時間的コミットメントに従って情報を分離するニューラルメモリフレームワークである。
LifeFuse-Memは、取得管理された保持を改善し、一時的な上書きを減らす。
- 参考スコア（独自算出の注目度）: 16.775600156252096
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long-running LLM agents require memory mechanisms that maintain coherent internal states across interactions. We study a lifecycle-labeled memory setting in which write episodes provide lifecycle metadata during training, and phase-aware readout is used during evaluation. This setting reflects the need to distinguish information that should remain influential across future interactions from information that should affect only the current context. A mismatch between these lifecycles can cause temporary information to overwrite durable knowledge, leading to behavioral drift in persistent agents. Within this setting, we introduce \textbf{LifeFuse-Mem}, a lifecycle-aware neural memory framework that separates information according to its temporal commitment. LifeFuse-Mem uses dedicated memory components and lifecycle-aware updates to allow stable and transient knowledge to evolve locally without converting temporary context into durable state. On the controlled anti-overwrite benchmark, LifeFuse-Mem improves acquisition-controlled retention and reduces temporary overwrite; on two public long-memory benchmarks, it remains broadly competitive. These results suggest that explicit lifecycle signals can help diagnose and mitigate overwrite in compact online memory.
- Abstract（参考訳）: 長期にわたるLDMエージェントは、相互作用間のコヒーレントな内部状態を維持するメモリ機構を必要とする。
本研究では,書込みエピソードがトレーニング中にライフサイクルメタデータを提供するライフサイクルラベルメモリ設定について検討し,評価中にフェーズアウェア・リードアウトを用いる。
この設定は、将来の相互作用に影響を及ぼすべき情報と、現在のコンテキストだけに影響を与えるべき情報とを区別する必要性を反映している。
これらのライフサイクル間のミスマッチは、一時的な情報によって耐久性のある知識を上書きし、永続的なエージェントの振る舞いの漂流を引き起こす。
この設定では、ライフサイクルを意識したニューラルメモリフレームワークである \textbf{LifeFuse-Mem} を導入し、その時間的コミットメントに応じて情報を分離する。
LifeFuse-Memは専用のメモリコンポーネントとライフサイクル対応のアップデートを使用して、一時的なコンテキストを耐久性のある状態に変換することなく、安定的で過渡的な知識をローカルに進化させる。
コントロールされた反オーバーライトベンチマークでは、LifeFuse-Memは、取得管理された保持を改善し、一時的なオーバーライトを減らす。
これらの結果は、明示的なライフサイクル信号がオンラインメモリ上でのオーバーライトの診断と緩和に役立つことを示唆している。
関連論文リスト
- LiveMem: Maintaining Memory State Continuity in Long-Running LLM Inference [6.324239367257621]
長期にわたるアシスタントとエージェントは計算ストリームを消費し、最終的にコンテキストを上回る。
既存のコンテキスト保持、要約、検索は、選択した履歴へのアクセスを保存するが、作業コンテキストが変化すると、ライフサイクル全体にわたって永続的な状態を提供しない。
そこで本研究では,事前学習したフルアテンション LLM をメモリ状態で拡張し,ライフサイクル全体にわたって履歴情報を保存する,固有のメモリ方式 textbfLiveMem を提案する。
論文 参考訳（メタデータ） (2026-08-03T17:12:05Z) - 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) - WorldMemArena: Evaluating Multimodal Agent Memory Through Action-World Interaction [72.1620416874118]
マルチモーダルな言語モデルは、長距離エージェントとしてますます多くデプロイされている。
既存のベンチマークは、静的対話上のリコールを測定し、メモリを1つのタスクの精度に分解し、キャプションに対する視覚的な観察を減らす。
マルチモーダルエージェントメモリを,観測可能な4段階ライフサイクルを持つアクションワールドインタラクションループとして定式化する。
論文 参考訳（メタデータ） (2026-05-28T04:27:20Z) - STAMP: Training Explicit Memory for Mobile GUI Agents in Controllable and Scalable Virtual Environments [63.39393178045112]
モバイルエージェントは即座に反応制御を行うが、メモリを必要とする現実的なロングホライゾンタスクでは頻繁に失敗する。
制御可能な仮想環境を通じて,モバイルエージェントの明示的なメモリをトレーニングするフレームワークSTAMPを提案する。
結果のStampGUIエージェントは、メモリワールドベンチマークに新たなハイウォーターマークを設定し、例外的なメモリ精度とタスクレジリエンスを実証します。
論文 参考訳（メタデータ） (2026-05-28T04:00:13Z) - MemGuard: Preventing Memory Contamination in Long-Term Memory-Augmented Large Language Models [56.31411457917676]
本稿では,メモリ構築と検索において,機能的メモリ境界を保存するタイプアウェアメモリフレームワークであるMemGuardを紹介する。
幻覚と長期会話のベンチマーク全体で、MemGuardはメモリの信頼性を最大28.27%向上し、メモリトークンは以前の方法より5.8倍少ない。
論文 参考訳（メタデータ） (2026-05-27T06:04:19Z) - StageMem: Lifecycle-Managed Memory for Language Models [0.0]
ロングホライゾン言語モデルシステムは、永続記憶にますます依存している。
現在のデザインは、メモリを主に静的ストアとして扱う。
ライフサイクル管理型メモリフレームワークであるStageMemを提案する。
論文 参考訳（メタデータ） (2026-04-18T01:38:25Z) - Neuromem: A Granular Decomposition of the Streaming Lifecycle in External Memory for LLMs [31.958776309037546]
我々は、インターリーブされた挿入・検索プロトコルの下で外部メモリモジュールをベンチマークするスケーラブルなテストベッドであるNeuromemを紹介する。
メモリが丸ごと増大するにつれて、パフォーマンスは一般的に低下し、時間関連のクエリは依然として最も難しいカテゴリです。
論文 参考訳（メタデータ） (2026-02-15T02:53:37Z) - Memory Retention Is Not Enough to Master Memory Tasks in Reinforcement Learning [44.94110361062394]
実世界の意思決定は、安定かつ適応性のあるメモリに依存する。
既存の強化学習ベンチマークとメモリ拡張エージェントは、主に保持に焦点を当てている。
部分的な可観測性の下で連続的なメモリ更新を明示的にテストするベンチマークを導入する。
論文 参考訳（メタデータ） (2026-01-21T15:27:23Z) - Memo: Training Memory-Efficient Embodied Agents with Reinforcement Learning [53.72709564555407]
Memoは、強化学習のためのトランスフォーマーベースのアーキテクチャとトレーニングのレシピである。
トレーニング中のモデルの入力と周期的な要約トークンをインターリーブすることで、メモリの生成と検索を組み込む。
グリッドワールドメタRLベンチマークとマルチオブジェクトナビゲーションタスクにおけるMemoの有効性を,フォトリアリスティック屋内環境で実証する。
論文 参考訳（メタデータ） (2025-10-22T16:24:47Z) - MemOS: A Memory OS for AI System [116.87568350346537]
大規模言語モデル(LLM)は、人工知能(AGI)にとって不可欠な基盤となっている。
既存のモデルは、主に静的パラメータと短命なコンテキスト状態に依存しており、ユーザの好みを追跡したり、長い期間にわたって知識を更新する能力を制限する。
MemOSはメモリを管理可能なシステムリソースとして扱うメモリオペレーティングシステムである。
論文 参考訳（メタデータ） (2025-07-04T17:21:46Z)
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。