論文の概要: Cognitive Extensions for Dual-Process Language Agents: Memory and Self-Reflection in Interactive Environments
- arxiv url: http://arxiv.org/abs/2609.19128v1
- Date: Wed, 16 Sep 2026 17:50:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:53.926879
- Title: Cognitive Extensions for Dual-Process Language Agents: Memory and Self-Reflection in Interactive Environments
- Title（参考訳）: デュアルプロセス言語エージェントのための認知的拡張:対話型環境における記憶と自己回帰
- Abstract要約: 高速アクションプロジェクタと遅いプランナを組み合わせたデュアルプロセスエージェントであるSwiftSageを拡張します。
実行時制御が主要なボトルネック設定であり,実行時ループが安定すると,エピソードメモリが最も有用となることを示す。
- 参考スコア（独自算出の注目度）: 0.9310318514564272
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Language agents remain brittle in interactive environments, where success requires long-horizon state tracking, valid action execution, and recovery from failed steps. We extend SwiftSage, a dual-process agent that combines a fast action proposer with a slower planner, using two modular cognitive extensions: an Adaptive Memory Module (AMM) for salience-gated episodic storage and trigger-driven retrieval, and a Self-Reflection Module (SRM) for bounded execution-time validation and corrective intervention. Both modules are implemented as feature-flagged extensions over the same execution substrate, enabling controlled ablations on ScienceWorld. Across four configurations---baseline, baseline+AMM, baseline+SRM, and the full system---the full system achieves the best mean final score (64.62), success rate (43.17%), and successful-step efficiency (19.33 steps), while SRM is the strongest standalone contributor. The results suggest that execution-time control is the dominant bottleneck in this setting, while episodic memory becomes most useful once the runtime loop is stabilized.
- Abstract（参考訳）: 言語エージェントは、長い水平状態追跡、有効なアクション実行、失敗したステップからのリカバリを必要とする、インタラクティブな環境でも不安定なままである。
高速アクションプロジェクタと遅いプランナーを組み合わせたデュアルプロセスエージェントであるSwiftSageを拡張した。2つのモジュール型認知拡張 – サラレンスゲートのエピソードストレージとトリガ駆動検索用のAdaptive Memory Module(AMM)と,バウンド実行時の検証と修正操作のためのセルフリフレクションモジュール(SRM)だ。
どちらのモジュールも、同じ実行基板上の機能フラグ付き拡張として実装されており、ScienceWorld上でコントロールされた改善が可能である。
ベースライン、ベースライン+AMM、ベースライン+SRM、システム全体の4つの構成で、システム全体の最高スコア(64.62)、成功率(43.17%)、成功ステップ効率(19.33ステップ)を達成し、SRMは最強のスタンドアロンコントリビュータである。
その結果、実行時制御がこの設定において主要なボトルネックであり、一方、実行時ループが安定すると、エピソードメモリが最も有用であることが示唆された。
関連論文リスト
- MemSIF: From Structured Interactions to Dual-Track Fact Memory for LLM Agents [9.22036278858962]
本稿では,構造化インタラクション・ファクトメモリフレームワークであるMemSIF(Memory with Structured Interactions and Facts)を提案する。
MemSIFは、局所的なトピックコヒーレンスを保存するTopical Segmentsと、クロスタイムイベント連続性を維持するEvent Traiesに生のインタラクションを編成する。
MemSIFは全設定で最高の総ACCを達成し、LoCoMoでは2.29%-8.79%、LongMemEval-Sでは2.87%-6.15%と最強のベースラインを上回った。
論文 参考訳（メタデータ） (2026-08-03T06:09:57Z) - UniMem: Complementary Episodic-to-Parametric Memory for Boundary-Agnostic Task Streams [77.52140119830241]
自律型メモリ管理のためのセルフルーティングフレームワークUniMemを提案する。
UniMemは学習可能なルーティングトークンをメモリコントローラとして使用し、相補的なメモリ経路間の適応的な調整を可能にする。
長距離ストリーミングタスクシーケンスの実験では、UniMemは実行の忠実さを維持しながら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） (2026-07-28T17:28:21Z) - MemGym: a Long-Horizon Memory Environment for LLM Agents [69.79226770543049]
本稿では,エージェントメモリのベンチマークであるMemGymを紹介する。
MemGymは、メモリパフォーマンスを推論、検索、ツール使用能力から切り離すメモリアイソレーションスコアを報告している。
MEMGYM-CODEQAとMEMGYM-DRの合成パイプラインは、長さ制御可能であり、各ステージでアブレーションを検証可能であり、下流のシナリオと密に整合している。
論文 参考訳（メタデータ） (2026-05-20T07:25:33Z) - Goal2Skill: Long-Horizon Manipulation with Adaptive Planning and Reflection [15.30405243180468]
長い水平な操作タスクには、永続的なメモリ、適応的なタスクの分解、実行障害からの明示的な回復が必要である。
本フレームワークは,低レベルモータ実行から高レベルセマンティック推論を明示的に分離する。
VLMベースのエージェントモジュールとして実装された高レベルプランナは、構造化されたタスクメモリを維持している。
低レベルエグゼキュータは、VLAベースのビジュモータコントローラとしてインスタンス化され、各サブタスクを実行する。
論文 参考訳（メタデータ） (2026-04-15T14:53:09Z) - AndroTMem: From Interaction Trajectories to Anchored Memory in Long-Horizon GUI Agents [35.5648433882265]
We present AndroTMem, a diagnosis framework for anchored memory in long-horizon Android GUI agent。
私たちのベンチマークであるAndroTMem-Benchは、34,473のインタラクションステップを持つ1,069のタスクからなる(タスク当たり32.1、最大65)。
本稿では、因果的に連結された中間状態アンカーのコンパクトな集合として相互作用列を表すAnchored State Memory (ASM)を提案する。
論文 参考訳（メタデータ） (2026-03-19T02:45:21Z) - SimpleMem: Efficient Lifelong Memory for LLM Agents [73.74399447715052]
セマンティックロスレス圧縮に基づく効率的なメモリフレームワークSimpleMemを紹介する。
本稿では,情報密度とトークン利用量の最大化を目的とした3段階パイプラインを提案する。
ベンチマークデータセットを用いた実験により,提案手法は精度,検索効率,推論コストにおいて,ベースラインアプローチを一貫して上回っていることがわかった。
論文 参考訳（メタデータ） (2026-01-05T21:02:49Z) - Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents [57.38404718635204]
大規模言語モデル (LLM) エージェントは、有限コンテキストウィンドウによる長距離推論において基本的な制限に直面している。
既存のメソッドは通常、長期記憶(LTM)と短期記憶(STM)を独立したコンポーネントとして扱う。
本稿では,エージェントのポリシーに LTM と STM 管理を直接統合する統合フレームワークである Agentic Memory (AgeMem) を提案する。
論文 参考訳（メタデータ） (2026-01-05T08:24:16Z) - Beyond Training: Enabling Self-Evolution of Agents with MOBIMEM [10.20348197254329]
大きな言語モデル(LLM)エージェントは、モバイルおよびデスクトップ環境で複雑なタスクを自動化するために、ますますデプロイされる。
現在のモデル中心のエージェントアーキテクチャは、デプロイ後の自己開発に苦労している。
MEMMEMは、モデルの再訓練なしに反復的な自己進化を可能にするメモリ認識エージェントシステムである。
論文 参考訳（メタデータ） (2025-12-15T12:38:43Z) - MEM1: Learning to Synergize Memory and Reasoning for Efficient Long-Horizon Agents [84.62985963113245]
我々は,長時間のマルチターンタスクに対して,エージェントが一定のメモリで動作可能な,エンドツーエンドの強化学習フレームワークMEM1を紹介する。
各ターンでMEM1は、メモリ統合と推論を共同でサポートするコンパクトな共有内部状態を更新する。
その結果,MEM1-7Bは16目的のマルチホップQAタスクにおいて,Qwen2.5-14B-Instructと比較してメモリ使用量を3.7倍削減し,3.5倍の性能向上を示す。
論文 参考訳（メタデータ） (2025-06-18T19:44:46Z)
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。