論文の概要: CoMem: Collective-Individual Memory Synergy for Evolutionary Multi-Agent Systems

• arxiv url: http://arxiv.org/abs/2609.15009v1
• Date: Mon, 14 Sep 2026 04:15:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.067976
• Title: CoMem: Collective-Individual Memory Synergy for Evolutionary Multi-Agent Systems
• Title（参考訳）: CoMem: 進化的マルチエージェントシステムのための集合的・個人的メモリシナジー
• Abstract要約: CoMemは、プライベートエクスペリエンスとマルチエージェント学習のための知識を共有するアーキテクチャである。 プライベート・エクスペリエンス・セディメンテーション(Private Experience Sedimentation)では、各エージェントが、時間とともに自分自身の有用な記憶を保存、更新することができる。 集合的な知恵のキュレーションは、エージェント間で共有される広く証明されたアイデアのみを選択する。 Parallel Dual-Stream Retrievalは、エージェントが自身の記憶とグループの知恵の両方を描画することを可能にする。
• 参考スコア（独自算出の注目度）: 24.033295527737636
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Designing effective memory mechanisms is crucial for advancing LLM-driven Multi-Agent Systems (MAS), helping agents learn together and perform better over time. While recent work has led to strong cooperation skills, most methods still use flat, unstructured memories, which easily get filled with noise and erase differences between agents. To address this, we introduce the concept of collective-individual memory synergy and propose CoMem, an architecture that unifies both private experience and shared knowledge for multi-agent learning. CoMem features:(i) Private Experience Sedimentation, which lets each agent keep and update its own useful memories over time;(ii) Collective Wisdom Curation, which carefully selects only widely proven ideas to be shared among agents;(iii)Parallel Dual-Stream Retrieval, which allows agents to draw both from their own memory and the group's wisdom, using clustering to ensure diversity.Experiments on ALFWorld and PDDL benchmarks show that CoMem achieves strong overall performance and robustly avoids memory pollution.
• Abstract（参考訳）: LLM駆動型マルチエージェントシステム(MAS)の進歩には,効果的なメモリ機構の設計が不可欠である。 最近の研究は強力な協力技術を生み出しているが、ほとんどの手法は依然として平坦で非構造的な記憶を使い、ノイズで簡単に満たされ、エージェント間の差異を消し去る。 そこで本研究では,共有知識とプライベートエクスペリエンスを両立させるアーキテクチャであるCoMemを提案する。 CoMemの機能: 一 個人体験の沈静化で、各エージェントが、時間をかけて、自身の有用な記憶を保存し、更新することができること。 (二 エージェント間で共有すべき広く証明されたアイデアのみを慎重に選別する集合的な知恵のキュレーション (iii)Parallel Dual-Stream Retrievalは、エージェントが自身のメモリとグループの知恵の両方を描画し、クラスタリングを使用して多様性を保証する。ALFWorldとPDDLベンチマークによる実験は、CoMemが全体的なパフォーマンスを強く達成し、メモリ汚染を確実に回避していることを示している。

関連論文リスト

• DeltaMem: Towards Agentic Memory Management via Reinforcement Learning [40.20038317952425]
  本稿では,エージェント型メモリ管理システムDeltaMemを提案する。 メモリ更新報酬を形式化する新しいメモリベースのLevenshtein Distanceを導入し、DeltaMemの管理能力を一層高めるための強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-02T03:13:53Z)
• Social Hippocampus Memory Learning [54.381608978482184]
  SoHipはメモリ中心のソーシャル機械学習フレームワークだ。 モデル共有ではなく、メモリ共有を通じて異種エージェント間の協調を可能にする。 7つのベースラインを持つ2つのベンチマークデータセットの実験は、SoHipが既存のメソッドを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-03-26T16:31:00Z)
• MemCollab: Cross-Agent Memory Collaboration via Contrastive Trajectory Distillation [16.57908722474221]
  大規模言語モデル(LLM)ベースのエージェントは、過去の問題解決経験から知識を再利用するためのメモリメカニズムに依存している。 既存のアプローチは、通常、エージェントごとの方法でメモリを構築し、格納された知識を単一のモデルの推論スタイルに密結合する。 その結果,エージェント間でのメモリ転送は,タスク関連知識をエージェント固有のバイアスと結び付けるなど,パフォーマンスを低下させることがわかった。 我々は,同一タスク上で異なるエージェントが生成する軌道の推論を対比することにより,エージェント非依存メモリを構成する協調メモリフレームワークであるMemCollabを提案する。
  論文  参考訳（メタデータ） (2026-03-24T14:05:47Z)
• LatentMem: Customizing Latent Memory for Multi-Agent Systems [44.59989123744384]
  トークン効率のよいエージェント固有のメモリをカスタマイズするための学習可能なマルチエージェントメモリフレームワークであるLatentMemを提案する。 具体的には、生の相互作用軌跡を軽量な形式で記憶する体験銀行と、検索された経験とエージェント固有の文脈に基づいて条件付けられたコンパクトな潜時記憶を合成するメモリ作曲家とを備える。
  論文  参考訳（メタデータ） (2026-02-03T03:03:16Z)
• MetaMem: Evolving Meta-Memory for Knowledge Utilization through Self-Reflective Symbolic Optimization [57.17751568928966]
  自己進化型メタメモリでメモリシステムを拡張するフレームワークであるMetaMemを提案する。 メタメモリ最適化の間、MetaMemは異なるタスク間で伝達可能な知識利用経験を反復的に蒸留する。 大規模な実験ではMetaMemの有効性が示され、これは強いベースラインを3.6%以上上回っている。
  論文  参考訳（メタデータ） (2026-01-27T04:46:23Z)
• Memory in the Age of AI Agents [217.9368190980982]
  この研究は、現在のエージェントメモリ研究の最新の展望を提供することを目的としている。 我々は,エージェントメモリ,すなわちトークンレベル,パラメトリック,潜時メモリの3つの支配的実現を同定する。 実用的な開発を支援するため、メモリベンチマークとオープンソースフレームワークの包括的な概要をコンパイルする。
  論文  参考訳（メタデータ） (2025-12-15T17:22:34Z)
• Agentic Learner with Grow-and-Refine Multimodal Semantic Memory [50.81667005063605]
  ViLoMemは、コンパクトなスキーマベースのメモリを構築するデュアルストリームメモリフレームワークである。 視覚的障害パターンと論理的推論エラーを符号化し、MLLMが成功し失敗した経験から学ぶことを可能にする。
  論文  参考訳（メタデータ） (2025-11-26T18:55:08Z)
• ReasoningBank: Scaling Agent Self-Evolving with Reasoning Memory [57.517214479414726]
  ReasoningBankは、エージェントの自己判断の成功と失敗の経験から一般化可能な推論戦略を抽出するメモリフレームワークである。 テスト時には、エージェントがReasoningBankから関連する記憶を取得してそのインタラクションを知らせ、新しい学習を統合することで、時間が経つにつれてより有能になる。 本稿では,エージェントのインタラクションエクスペリエンスをスケールアップすることにより,学習プロセスの高速化と多様化を図るメモリ対応テストタイムスケーリング(MaTTS)を提案する。
  論文  参考訳（メタデータ） (2025-09-29T17:51:03Z)
• MemGen: Weaving Generative Latent Memory for Self-Evolving Agents [57.1835920227202]
  本稿では,エージェントに人間的な認知機能を持たせる動的生成記憶フレームワークであるMemGenを提案する。 MemGenは、エージェントが推論を通して潜在記憶をリコールし、増大させ、記憶と認知の密接なサイクルを生み出すことを可能にする。
  論文  参考訳（メタデータ） (2025-09-29T12:33:13Z)
• Memory Sharing for Large Language Model based Agents [43.53494041932615]
  本稿では,リアルタイムメモリフィルタ,ストレージ,検索を統合し,In-Context学習プロセスを強化するためのフレームワークであるMemory Sharingを紹介する。 実験の結果,MSフレームワークはオープンな質問に対処する際のエージェントの性能を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2024-04-15T17:57:30Z)

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。