論文の概要: Interactive Memory Learning for Long-Term Conversations

• arxiv url: http://arxiv.org/abs/2609.17088v1
• Date: Tue, 15 Sep 2026 12:21:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.518209
• Title: Interactive Memory Learning for Long-Term Conversations
• Title（参考訳）: 長期会話のための対話型メモリ学習
• Abstract要約: ICML(InteraCtive Memory Learning)は、受動的アーカイブから学習可能な対話型メモリポリシーに変換するマルチエージェントフレームワークである。
• 参考スコア（独自算出の注目度）: 30.375942250315145
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advancements in large language models have significantly enhanced the capabilities of agents in modeling long-term conversations. Despite these successes, existing approaches typically adopt a static heuristic paradigm, where information is passively archived without adaptive memory valuation. Consequently, these methods fail to self-evolve or align their memory management with evolving user needs. To address this, we propose ICML (InteraCtive Memory Learning), a multi-agent framework that transforms the memory mechanism from a passive archive into a learnable, interactive memory policy. Specifically, we first employ a session synthesis pipeline to generate expert data, facilitating rapid test-time adaptation in unseen scenarios. Building on this, ICML utilizes an online reinforcement learning mechanism where a Planner agent selectively encodes high-value information and a Trigger agent dynamically retrieves it to optimize response quality, whereby the two agents co-evolve through continuous interaction feedback. Crucially, both agents are synchronized through a delayed reward mechanism that propagates future feedback back to earlier storage decisions, ensuring memory policies are precisely aligned with user expectations. Experimental results demonstrate that ICML significantly outperforms strong baselines, exhibiting the unique capability to continuously improve response quality as interactions accumulate.
• Abstract（参考訳）: 大規模言語モデルの最近の進歩は、長期会話のモデル化におけるエージェントの能力を大幅に向上させた。 これらの成功にもかかわらず、既存のアプローチは静的ヒューリスティックなパラダイムを採用しており、適応的なメモリ評価なしに情報を受動的にアーカイブする。 その結果、これらの手法は自己開発に失敗し、そのメモリ管理を進化するユーザニーズと整合させる。 そこで我々は,ICML(InteraCtive Memory Learning)を提案する。ICMLは,メモリ機構を受動的アーカイブから学習可能な対話型メモリポリシーに変換するマルチエージェントフレームワークである。 具体的には、まずセッション合成パイプラインを使用して専門家データを生成し、目に見えないシナリオでの迅速なテスト時間適応を可能にします。 これに基づいて、ICMLは、Plannerエージェントが選択的に高価値情報を符号化し、Triggerエージェントが動的にそれを検索して応答品質を最適化するオンライン強化学習機構を利用して、2エージェントが継続的な相互作用フィードバックを通じて共進化する。 重要なことは、両方のエージェントは遅延報酬メカニズムによって同期され、将来のフィードバックを以前のストレージ決定に伝達し、メモリポリシーがユーザの期待に正確に一致することを保証する。 実験の結果、ICMLは強いベースラインを著しく上回り、相互作用が蓄積するにつれて応答品質を継続的に改善する独特な能力を示すことが示された。

関連論文リスト

• AdaMEM: Test-Time Adaptive Memory for Language Agents [27.178795834085296]
  本稿では,エージェントテスト時間適応のための新しいフレームワークであるAdaptive Memory Agent (AdaMEM)を提案する。 モデルパラメータをオンラインで更新することなく、AdaMEMはハイブリッドメモリアーキテクチャを介してエージェントの振る舞いを適用する。 AdaMEMは静的メモリベースラインを著しく上回り、ALFWorldでは13%、WebShopでは11%の相対的なゲインを達成している。
  論文  参考訳（メタデータ） (2026-06-04T04:06:08Z)
• AMemGym: Interactive Memory Benchmarking for Assistants in Long-Horizon Conversations [61.6579785305668]
  AMemGymは、メモリ駆動型パーソナライゼーションのためのオンライン評価と最適化を可能にする対話型環境である。 我々のフレームワークは、対話エージェントのメモリ能力を向上するためのスケーラブルで診断に富んだ環境を提供する。
  論文  参考訳（メタデータ） (2026-03-02T15:15:11Z)
• The AI Hippocampus: How Far are We From Human Memory? [77.04745635827278]
  インプリシットメモリは、事前訓練されたトランスフォーマーの内部パラメータに埋め込まれた知識を指す。 明示メモリは、動的でクエリ可能な知識表現でモデル出力を増大させるように設計された外部ストレージと検索コンポーネントを含んでいる。 エージェントメモリは、自律エージェント内に永続的、時間的に拡張されたメモリ構造を導入する。
  論文  参考訳（メタデータ） (2026-01-14T03:24:08Z)
• Evo-Memory: Benchmarking LLM Agent Test-time Learning with Self-Evolving Memory [89.65731902036669]
  Evo-Memoryは、大規模言語モデル(LLM)エージェントで自己進化型メモリを評価するための、ストリーミングベンチマークとフレームワークである。 10以上の代表的なメモリモジュールを評価し、10種類の多ターンゴール指向およびシングルターン推論およびQAデータセットで評価した。
  論文  参考訳（メタデータ） (2025-11-25T21:08:07Z)
• RGMem: Renormalization Group-based Memory Evolution for Language Agent User Profile [8.224917568034572]
  物理における古典的再正規化群(RG)のイデオロギーに着想を得た自己進化型メモリフレームワークを提案する。 このフレームワークは対話履歴を複数のスケールで整理することができる。 私たちの研究の中核的な革新は、情報圧縮と出現のマルチスケールプロセスとしてのメモリ進化をモデル化することにあります。
  論文  参考訳（メタデータ） (2025-10-18T08:16:46Z)
• 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)
• CAIM: Development and Evaluation of a Cognitive AI Memory Framework for Long-Term Interaction with Intelligent Agents [1.6082737760346446]
  大規模言語モデル(LLM)は人工知能(AI)の分野を進歩させ、インタラクティブシステムのための強力なイネーブラーとなっている。 ユーザに対して適応する必要のある長期的なインタラクションや、常に変化する環境のコンテキスト的知識や理解において、依然として課題に直面しています。 これらの課題を克服するためには、インタラクションセッション間で関連情報を効率的に検索し保存するために、全体論的メモリモデリングが必要である。 コンピュータ化されたモデルで人間の思考プロセスをシミュレートすることを目的とした認知AIは、思考、記憶機構、意思決定といった興味深い側面を強調している。
  論文  参考訳（メタデータ） (2025-05-19T12:33:52Z)
• In Prospect and Retrospect: Reflective Memory Management for Long-term Personalized Dialogue Agents [70.12342024019044]
  大規模言語モデル(LLM)は、オープンエンド対話において大きな進歩を遂げているが、関連する情報の保持と取得ができないため、その有効性は制限されている。 本稿では,長期対話エージェントのための新しいメカニズムであるリフレクティブメモリ管理(RMM)を提案する。 RMMは、LongMemEvalデータセットのメモリ管理なしでベースラインよりも10%以上精度が向上している。
  論文  参考訳（メタデータ） (2025-03-11T04:15:52Z)
• Hello Again! LLM-powered Personalized Agent for Long-term Dialogue [63.65128176360345]
  モデルに依存しない長期対話エージェント(LD-Agent)を導入する。 イベント認識、ペルソナ抽出、応答生成のための3つの独立した調整可能なモジュールが組み込まれている。 LD-Agentの有効性, 汎用性, クロスドメイン性について実験的に検証した。
  論文  参考訳（メタデータ） (2024-06-09T21:58:32Z)

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。