論文の概要: MACE: Memory-Agent Co-Evolution with Adaptive Memory Graphs for Multi-Agent Systems

• arxiv url: http://arxiv.org/abs/2609.21533v1
• Date: Fri, 18 Sep 2026 09:25:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.946232
• Title: MACE: Memory-Agent Co-Evolution with Adaptive Memory Graphs for Multi-Agent Systems
• Title（参考訳）: MACE:マルチエージェントシステムのための適応型メモリグラフを用いたメモリエージェント共進化
• Abstract要約: LLMベースのマルチエージェントシステムは、エージェントがタスクをどのように計画するか、中間結果を検証し、失敗を修復するかを記録するコラボレーショントレースを生成する。 実験により,これらの依存関係を機能記憶ユニットにグループ化することで,その保持性が向上することが示された。 各組み合わせの結果とフォーマットのペアリングによる選択の更新は、組み合わせとフォーマットを個別にスコアリングするよりも優れています。
• 参考スコア（独自算出の注目度）: 15.035587222156414
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: LLM-based multi-agent systems generate collaboration traces that record how agents plan tasks, verify intermediate results, and repair failures. Reusing these procedures requires preserving an action's prerequisites and the outputs needed by subsequent agents. Our empirical studies show that grouping these dependencies into functional memory units improves their retention, while connecting units increases retrieval of the units and links jointly required by a task. The preferred combination of units also changes between instructions and checklists, even when each combination's content is fixed across formats. Updating choices from the outcomes of each combination and format pairing outperforms scoring combinations and formats separately. These findings motivate MACE, a memory-agent co-evolution framework that adapts memory organization and agent memory use through execution feedback. Its MemGoG structure represents functional units as subgraphs of related conditions, actions, and outputs, connecting them through support, conflict, and repair relations. MACE Loop selects task-relevant units and relations within a memory budget and provides each agent with instructions or checklists for its current operation. It records the selected units, presentation formats, agent outputs, and task outcomes to update unit scores and relations for retrieval and inform subsequent presentation choices. Across eight benchmarks, MACE outperforms ten baselines with an average score of 81.11%, compared with 78.97% for the strongest baseline, SAGE.
• Abstract（参考訳）: LLMベースのマルチエージェントシステムは、エージェントがタスクをどのように計画するか、中間結果を検証し、失敗を修復するかを記録するコラボレーショントレースを生成する。 これらの手続きを再利用するには、アクションの前提条件とその後のエージェントが必要とする出力を保存する必要がある。 実験により、これらの依存関係を機能記憶ユニットにグループ化することで、その保持が向上し、一方、接続ユニットは、タスクによって要求されるユニットとリンクの検索を増加させることを示した。 推奨されるユニットの組み合わせは、各組み合わせのコンテンツがフォーマット間で固定されている場合でも、命令とチェックリストの間でも変更される。 各組み合わせの結果とフォーマットのペアリングによる選択の更新は、組み合わせとフォーマットを個別にスコアリングするよりも優れています。 これらの発見は、メモリ組織とエージェントメモリの使用を実行フィードバックを通じて適応するメモリエージェント共進化フレームワークであるMACEを動機付けている。 MemGoGの構造は、機能ユニットを関連する条件、行動、出力のサブグラフとして表現し、サポート、コンフリクト、修復関係を通じてそれらを接続する。 MACE Loopはメモリ予算内でタスク関連ユニットとリレーションを選択し、各エージェントに現在の操作の指示やチェックリストを提供する。 選択したユニット、プレゼンテーションフォーマット、エージェントアウトプット、タスク結果を記録し、ユニットスコアとリレーションを更新して検索し、その後のプレゼンテーション選択を通知する。 8つのベンチマークで、MACEは平均スコア81.11%で10のベースラインを上回り、最強のベースラインであるSAGEは78.97%である。

関連論文リスト

• Mem-$π$: Adaptive Memory through Learning When and What to Generate [65.31077328444077]
  本稿では,大規模言語モデル(LLM)エージェントにおける適応メモリのためのフレームワークを提案する。 Mem-$は検索ベースとRL最適化メモリベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-05-20T17:51:05Z)
• Improving the Efficiency of Language Agent Teams with Adaptive Task Graphs [52.26652574704317]
  大規模言語モデル(LLM)はますますチームにデプロイされているが、既存のコーディネーションアプローチは2つの極端な部分を占めることが多い。 本稿では,Language Agent Teams for Task Evolution (LATTE)を紹介した。
  論文  参考訳（メタデータ） (2026-05-07T14:19:17Z)
• 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)
• AgentSelect: Benchmark for Narrative Query-to-Agent Recommendation [39.61543921719145]
  AgentSelectは、エージェントの選択をナラティブクエリからエージェントへのレコメンデーションとして再設計するベンチマークである。 異種評価アーティファクトを、統一された正のみの相互作用データに変換する。 AgentSelectは、エージェントレコメンデーションのための最初の統一データと評価インフラストラクチャを提供する。
  論文  参考訳（メタデータ） (2026-03-04T06:17:51Z)
• Learning to Share: Selective Memory for Efficient Parallel Agentic Systems [49.78267008828593]
  エージェントシステムは、反復的に推論する複数のエージェントを調整することで複雑なタスクを解決し、ツールを呼び出し、中間結果を交換する。 最近のアプローチでは、さまざまな推論の軌跡を探索するために、複数のエージェントチームが並行して運用されている。 我々は並列エージェントフレームワークのための学習された共有メモリ機構であるLearning to Share (LTS)を提案する。
  論文  参考訳（メタデータ） (2026-02-05T18:20:21Z)
• Beyond RAG for Agent Memory: Retrieval by Decoupling and Aggregation [22.803751188961865]
  検索は類似性マッチングを超えて移動し、代わりに潜在コンポーネントを操作するべきだと我々は主張する。 我々は、無傷ユニットの階層を構築し、検索可能な高レベルノード組織を維持するxMemoryを提案する。
  論文  参考訳（メタデータ） (2026-02-02T12:04:58Z)
• 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)
• Visual Document Understanding and Question Answering: A Multi-Agent Collaboration Framework with Test-Time Scaling [83.78874399606379]
  テスト時間スケーリングを備えたマルチエージェント協調フレームワークであるMACTを提案する。 4つの異なる小規模エージェントから構成され、明確に定義された役割と効果的なコラボレーションがある。 一般および数学的タスクの能力を犠牲にすることなく、より小さなパラメータスケールで優れた性能を示す。
  論文  参考訳（メタデータ） (2025-08-05T12:52:09Z)
• 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。