論文の概要: Jev-Mem: System-One-Controlled Agentic Memory for Efficient AI Agents
- arxiv url: http://arxiv.org/abs/2609.23986v1
- Date: Mon, 21 Sep 2026 01:43:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:01.038079
- Title: Jev-Mem: System-One-Controlled Agentic Memory for Efficient AI Agents
- Title（参考訳）: Jev-Mem: 効率的なAIエージェントのためのシステムワン制御エージェントメモリ
- Abstract要約: システム・ワン/システム・ツー認知にインスパイアされた新しいエージェントメモリアーキテクチャである textbfmethod を導入する。
Jev-Memはこの分業を、専用のSystem-Oneコントロールプレーン、構造化されたマルチリレーショナルメモリプレーン、System-Two推論プレーンを通じてエージェントメモリにもたらす。
- 参考スコア（独自算出の注目度）: 4.3131117303235635
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Agentic memory is becoming essential for long-horizon AI agents, yet many existing systems rely on autoregressive LLMs to control how memories are organized, retrieved, and used, placing expensive generation on the critical path of memory operations. We introduce \textbf{\method}, a new agentic memory architecture inspired by System-One/System-Two cognition. System One captures fast, lightweight decision-making, whereas System Two performs slower, deliberative reasoning. Jev-Mem brings this division of labor to agentic memory through a dedicated System-One control plane, a structured multi-relational memory plane, and a System-Two reasoning plane. The System-One controller governs memory typing and relational organization during construction, and dynamically performs query routing, retrieval-budget allocation, graph traversal, candidate scoring, and adaptive stopping during retrieval. System Two is invoked only for complex reasoning and answer synthesis. This design improves both memory effectiveness and system efficiency: on LoCoMo Jev-Mem achieves an overall LLM-as-a-Judge score of 0.777, an 11.0\% relative improvement over the strongest baseline, while reducing memory construction time to 158\,s, a 6.6$\times$ speedup over the fastest competing memory system, and lowering average query latency to 0.93\,s, a 36.7\% reduction.
- Abstract（参考訳）: エージェントメモリは、長期のAIエージェントにとって欠かせないものになりつつあるが、多くの既存のシステムは、メモリ操作のクリティカルパスに高価な生成を配置して、メモリの編成、検索、使用の方法を制御するために自己回帰型LLMに依存している。
本稿では,システム・ワン/システム・ツー認知にインスパイアされた新しいエージェントメモリアーキテクチャである「textbf{\method」を紹介する。
システム1は高速で軽量な意思決定を捉え、システム2は遅くて熟考的な推論を実行する。
Jev-Memはこの分業を、専用のSystem-Oneコントロールプレーン、構造化されたマルチリレーショナルメモリプレーン、System-Two推論プレーンを通じてエージェントメモリにもたらす。
System-Oneコントローラは、構築中のメモリタイピングとリレーショナル組織を管理し、クエリルーティング、検索予算割り当て、グラフトラバーサル、候補スコアリング、検索中の適応停止を動的に実行する。
システム2は複雑な推論と応答合成のためにのみ呼び出される。
この設計は、メモリ効率とシステム効率の両方を改善する: LoCoMo Jev-Mem上では、LLM-as-a-Judgeスコアの0.777、最強のベースラインに対する11.0\%の相対的な改善、メモリ構築時間の158\,s、最速の競合するメモリシステムに対する6.6$\times$の高速化、平均クエリレイテンシの0.93\,s、36.7\%の削減を実現している。
関連論文リスト
- InjecMEM: Memory Injection Attack on LLM Agent Memory Systems [31.104106193922956]
InjecMEMは、新しいメモリ注入攻撃パラダイムである。
我々は、レトリバー非依存のアンカーと対向コマンドでインジェクションを製作する。
複数のメモリシステムとバックボーンモデルにまたがって評価を行う。
論文 参考訳（メタデータ） (2026-08-24T16:37:50Z) - Memory as a Controlled Process: Learned Adaptive Memory Management for LLM Agents [72.3752981234916]
大きな言語モデル(LLM)エージェントは、タスク間の経験を蓄積するために、外部メモリシステムに依存している。
メモリ操作をマルコフ決定プロセスとしてモデル化するフレームワークである制御プロセス(MemCon)としてメモリを提示する。
MemConは、複数のメモリベースラインのタスク成功率を最大15.2ポイント上回り、トークン消費量を5-20%削減している。
論文 参考訳（メタデータ） (2026-07-15T08:32:40Z) - Mandol: An Agglomerative Agent Memory System for Long-Term Conversations [19.51654277630379]
Mandolは、断片化されたメモリ表現とストレージを統一されたメモリネイティブアーキテクチャに統合する集約型メモリシステムである。
マンドルは代表エージェントメモリシステムの中で最高の全体的な精度を達成する。
論文 参考訳（メタデータ） (2026-06-29T04:43:29Z) - Memory Beyond Recall: A Dual-Process Cognitive Memory System for Self-Evolving LLM Agents [19.07841896013193]
現在のメモリシステムは、リコール用に調整された単一の検索サーフェスに、リビジョン、因果結合、およびクロスドメイン抽象化を分解する。
本稿では,エージェントメモリを原入力と原子事実から上昇する認知能力階層に沿って再構成するDCPMを提案する。
System2は、ベンチマークが暗黙のクロスセッション推論に報酬を与える場合の大部分に貢献する。
論文 参考訳（メタデータ） (2026-06-08T13:39:24Z) - 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) - MemSearch-o1: Empowering Large Language Models with Reasoning-Aligned Memory Growth in Agentic Search [59.98962867649009]
本稿では,メモリ成長とリトラシングに基づくエージェント検索フレームワークであるMemSearch-o1を提案する。
MemSearch-o1はクエリからメモリシードトークンからきめ細かいメモリフラグメントを成長させ、コントリビューション関数を通じてメモリを再トレースし、深く洗練し、最終的にグローバルに接続されたメモリパスを再編成する。
論文 参考訳（メタデータ） (2026-04-19T05:35:06Z) - Lightweight LLM Agent Memory with Small Language Models [27.343533336242913]
LightMemは、Small Language Models (SLM)によって駆動されるより優れたエージェントメモリのための軽量メモリシステムである。
我々は,記憶を即時会話のための短期記憶(STM),再利用可能な対話要約のための中期記憶(MTM),統合された知識のための長期記憶(LTM)に整理する。
実験の結果,LoCoMoではF1が平均2.5向上し,より効率的で中央値の低いレイテンシ(83ms検索,581msエンドツーエンド)が得られた。
論文 参考訳（メタデータ） (2026-04-09T04:51:07Z) - MemMA: Coordinating the Memory Cycle through Multi-Agent Reasoning and In-Situ Self-Evolution [52.29303869050117]
メモリ拡張LDMエージェントは、長期の相互作用をサポートするために外部メモリバンクを保持する。
MemMAはプラグアンドプレイのマルチエージェントフレームワークで、前方と後方の両方の経路に沿ってメモリサイクルを調整する。
論文 参考訳（メタデータ） (2026-03-19T10:15:59Z) - HyMem: Hybrid Memory Architecture with Dynamic Retrieval Scheduling [7.24393498822329]
HyMemは、マルチグラニュラメモリ表現による動的オンデマンドスケジューリングを可能にするハイブリッドメモリアーキテクチャである。
LOCOMOとLongMemEvalのベンチマークにおいて,HyMemは高い性能を示し,計算コストを92.6%削減した。
論文 参考訳（メタデータ） (2026-02-15T00:06:19Z) - 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) - LightMem: Lightweight and Efficient Memory-Augmented Generation [72.21680105265824]
我々は、メモリシステムの性能と効率のバランスをとるLightMemという新しいメモリシステムを紹介した。
人間の記憶のアトキンソン・シフリンモデルにインスパイアされたLightMemは、メモリを3つの相補的なステージにまとめる。
GPTとQwenのバックボーンを用いたLongMemEvalの実験では、LightMemは高いベースライン(最大10.9%のゲイン)を上回り、トークンの使用量を最大117倍に削減している。
論文 参考訳（メタデータ） (2025-10-21T17:58:17Z)
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。