Fugu-MT 論文翻訳(概要): MoM: Memory of Memory

論文の概要: MoM: Memory of Memory

arxiv url: http://arxiv.org/abs/2609.25054v1
Date: Mon, 07 Sep 2026 11:59:46 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-28 05:09:55.844733
Title: MoM: Memory of Memory
Title（参考訳）: MoM: メモリのメモリ
Abstract要約: メモリトラックは、自身のエントリの内容だけでなく、出典、ステータス、履歴も形式化します。 MoM を textscProvenant Memory (P-Mem) としてインスタンス化するそのターンレベルの読み取りは、最も高い検索メモリの精度を$sim$4$times$ less read tokensと一致させる。
参考スコア（独自算出の注目度）: 10.647842476494423
License: http://creativecommons.org/licenses/by/4.0/
Abstract: For a long-horizon LLM agent, the memory question is not what was once recorded but what \emph{currently holds}. Most designs answer it only indirectly: every interaction is stored, and the present is reconstructed at query time by retrieving and reconciling records, so stale values re-enter and the same conflicts are re-litigated. Committing the current value at write time avoids this, but existing write-time (CRUD) memories overwrite, so a wrong update is unrecoverable and prior state is lost. We take the missing combination---\emph{commit on arrival while retaining what is displaced}---and formalize it as \textsc{Memory of Memory} (MoM): memory tracks not only content but the provenance, status, and history of its own entries. We instantiate MoM as \textsc{Provenant Memory} (P-Mem), a typed provenance graph whose \emph{active frontier} exposes one current value per resolved key while displaced values are retained as provenance; typed operations decide whether a new observation supports, supersedes, contests, rejects, revokes, or resolves an existing value. P-Mem's decisive gain is validity rather than accuracy: its turn-level read matches the strongest retrieval memory in accuracy at $\sim$4$\times$ fewer read tokens---a retrieval-granularity effect---while graph-guided turn pruning cuts the knowledge-update stale-answer rate (19.4\%$\rightarrow$10.9\%); on revision chains it stays at 100\% where query-time reading collapses to 25\%, and, because displaced values are retained rather than overwritten, it recovers committed errors a CRUD memory cannot (100\% vs.\ 0\%).
Abstract（参考訳）: 長い水平 LLM エージェントの場合、メモリの問題はかつて記録されたものではなく、 \emph{currently hold} である。ほとんどの設計は間接的にのみ答える:すべてのインタラクションは保存され、現在の状態はレコードの検索と照合によってクエリ時に再構築されるため、古い値が再入力され、同じ競合がリライトされる。書き込み時に現在の値をコミットすることは、これを回避しますが、既存の書き込み時間(CRUD)メモリ上書きなので、間違った更新は保存できず、前の状態が失われます。 We take the missing combination---\emph{commit on arrival} while maintaining what is displaced}---and formalize it as \textsc{Memory of Memory} (MoM): memory track its content only only only the provenance, status, and history of its own entry。我々は、MoM を \textsc{Provenant Memory} (P-Mem) としてインスタンス化する。これは、 \emph{active Frontier} が解決キーあたりの1つの電流値を公開し、置換された値を証明として保持する型付きグラフである。 P-Memの最終的な利益は、正確さよりも正確さよりも有効である: ターンレベルの読み取りは、最強の検索メモリを$\sim$4$\times$ less read tokens---- 検索-粒度効果-- グラフ誘導型ターンプルーニングは、知識更新前のスタイルアンサーレート(19.4\%$\rightarrow$10.9\%)を削減し、リビジョンチェーンでは、クエリ時読み込みが25\%に低下する100\%に留まる。 0 %)。

関連論文リスト

AWM: Answerable Working Memory for Long-Document VQA Agents [57.741922050360074]
ワーキングメモリは、後に根拠づけられた回答のために、ページ検査全体にわたって回答を支持するエビデンスを実行するべきである。本稿では,読取者が質問に答えられるか,端末の作業メモリだけで答えられるか,という診断手法である,メモリオンリーの回答可能性について紹介する。 AWM-GRPOは、テキストscMMLongBench-DocとtextscLongDocURLでRAGベースラインに対する最終回答精度を8.1および1.9ポイント改善し、応答のみのGRPOよりもメモリ損失補正率を2.7ポイント削減する。
論文参考訳（メタデータ） (2026-08-26T10:35:25Z)
From Faulty Memories to Corrected Actions: Dependency-Guided Rollback Repair for Memory-Augmented Agents [19.125716338799545]
textbfdependency-guided rollback repairは、出所からの型付きメモリ対アクショングラフを構築し、明示的な下流依存性をトレースし、応答関連処理のみを選択的に再生する。本手法は,3つのツール使用領域と4つのメモリ障害タイプにまたがる150ケースのベンチマークで評価する。
論文参考訳（メタデータ） (2026-08-11T05:19:55Z)
TEPA: Revoking Stale Memories for Conflict-Robust Language Agents [15.829191594065888]
本稿では, 有効性をメモリの明示的な状態とする, 無効なエビデンスメモリ機構である TEPA を紹介する。 50種以上の制御されたドリフトでは、追加のみのメモリと最後の書き込み-ウィンスのメモリは、完全な逆転の間、メモリ以下に低下した。クリーンなMemoryAgentBench SH-6kでは、TEPAは強力なラストライト-ウィンスキャッシュにマッチし、現在のキー置換がシングルホップファクト統合の決定的な操作であることを確認した。
論文参考訳（メタデータ） (2026-08-07T17:16:33Z)
MemOps: Benchmarking Lifecycle Memory Operations in Long-Horizon Conversations [50.24315431387575]
ライフサイクル操作のシーケンスとして会話メモリを再構成するベンチマークであるMemOpsを紹介する。 MemOpsは、それぞれのメモリイベントをトリガ、ターゲット、スコープ、状態遷移、エビデンスを指定した構造化トレースで表現する。長いコンテキスト、検索ベース、パラメトリック、マネージドメモリシステムにわたって、MemOpsはファイナ・アンサーの精度のみを隠蔽する障害モードをアンタングルする。
論文参考訳（メタデータ） (2026-07-14T15:33:44Z)
A-TMA: Decoupling State-Aware Memory Failures in Long-Term Agent Memory [7.7803190371583]
我々は,記憶バンク内に共存する古い,現在の,遷移の事実が検索中に混在している状態調整障害であるemphghostメモリについて検討し,その解答モデルを誤導する。我々は,既存のメモリシステムのための状態認識オーバレイであるATMAを提案する。ATMAは,銀行内における過大評価とトランジションの記録を保持し,現在,歴史,およびトランジションラベルをQAに公開する。
論文参考訳（メタデータ） (2026-07-02T09:28:29Z)
AdaMem: Learning What to Remember for Personalized Long-Horizon LLM Agents [79.03892269184145]
我々は、記憶に値するものはロール依存であり、 textbfAdaMem (Adaptive Memory)を提案する。 AdaMemは、メモリ容量をtextbf9%削減しながら、均一なMem0ベースライン上で textbf+9.0% まで精度を向上する。
論文参考訳（メタデータ） (2026-06-19T06:35:52Z)
Enhancing Software Engineering Through Closed-Loop Memory Optimization [50.418699819003486]
ソフトウェア工学 (SE) エージェントにおけるメモリ拡張のためのクローズドループフレームワークである ours を紹介する。タスクに依存しない textbf ベンチマークとアノテーションのない textbf 最適化信号としての有用性を確立する。その結果、SEエージェントは設定によって常に改善され、成功率で$uparrow5.25%、解決効率で$uparrow4.63%という絶対的なゲインが得られることが示された。
論文参考訳（メタデータ） (2026-06-04T03:17:21Z)
A Parametric Memory Head for Continual Generative Retrieval [52.66674234249913]
生成情報検索(GenIR)は、検索を単一のニューラルモデルに統合し、クエリから直接ドキュメント識別子(ドシデント)をデコードする。逐次適応は、新たに追加された文書の検索を改善するが、以前のスライスの性能は著しく低下することを示す。本稿では,モジュール型パラメトリックメモリヘッドで適応モデルを拡張するメモリのみの安定化ステージである,後適応メモリチューニング(PAMT)を提案する。
論文参考訳（メタデータ） (2026-04-25T17:38:51Z)
Beyond Dialogue Time: Temporal Semantic Memory for Personalized LLM Agents [68.84161689205779]
テンポラルセマンティックメモリ(TSM)は、ポイントワイドメモリのセマンティックタイムをモデル化するメモリフレームワークである。 TSMは既存の手法を一貫して上回り、最大12.2%の精度向上を実現している。
論文参考訳（メタデータ） (2026-01-12T12:24:44Z)

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。