論文の概要: AkasicMEM: Governed Enterprise Memory for Agents
- arxiv url: http://arxiv.org/abs/2609.25563v1
- Date: Tue, 22 Sep 2026 01:53:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-23 18:04:04.172778
- Title: AkasicMEM: Governed Enterprise Memory for Agents
- Title（参考訳）: AkasicMEM: エージェントのためのエンタプライズメモリ
- Abstract要約: エージェントメモリは、エンタープライズエージェントが作業中に取得した知識を保持し、タスクやエージェント間で再利用することを可能にする。
既存のアプローチは、これらの懸念に個別に対処するが、ソース-メモリ統合、メモリガバナンス、および承認継続性を、メモリライフサイクル全体にわたるコア設計ターゲットとして扱うことはない。
AkasicMEM は GraphAI の AkasicDB 上に構築されている。これはベクトル-グラフ-リレーショナルデータベースで,ストレージと実行の基盤となる操作を共同で最適化し,実行可能にする。
- 参考スコア（独自算出の注目度）: 5.915122270077887
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Agent memory enables enterprise agents to retain knowledge acquired during work and reuse it across tasks and agents, turning execution experience into persistent organizational knowledge. Realizing this potential requires both source--memory integration, through which enterprise sources and accumulated memory can be utilized together, and memory governance, through which shared memory remains subject to organizational policies throughout its lifecycle. These requirements interact when information from enterprise sources persists in memory. As this information is repeatedly derived and reused under changing principals and policies, source restrictions may be bypassed, resulting in information leakage. Preventing such leakage requires authorization continuity, under which source restrictions remain effective throughout source-to-memory and memory-to-memory derivation and reuse. Existing approaches address these concerns individually, but do not treat source--memory integration, memory governance, and authorization continuity as combined core design targets across the memory lifecycle. We define Governed Enterprise Memory as agent memory designed around this combined scope and present AkasicMEM as its realization. AkasicMEM realizes authorization continuity through transitive lineage, policy composition during memory formation, and policy re-evaluation during retrieval. It is built on GraphAI's AkasicDB, a unified vector--graph--relational database whose storage and execution substrate enables the underlying operations of these mechanisms to be jointly optimized and executed.
- Abstract（参考訳）: エージェントメモリにより、エンタープライズエージェントは、作業中に取得した知識を保持し、タスクやエージェント間で再利用し、実行経験を永続的な組織的知識に変えることができる。
この可能性を実現するには、エンタープライズソースと蓄積メモリを併用可能なソース-メモリ統合と、共有メモリをライフサイクルを通じて組織的なポリシの対象とするメモリガバナンスの両方が必要です。
これらの要件は、企業ソースからの情報がメモリに保持されている場合に作用する。
この情報は、変更されたプリンシパルとポリシーの下で繰り返し引き起こされ再利用されるため、ソース制限はバイパスされ、情報漏洩につながる可能性がある。
このようなリークを防ぐためには、ソースの制約がソース・ツー・メモリおよびメモリ・ツー・メモリの導出と再利用を通して有効であるように、認証の継続が必要である。
既存のアプローチは、これらの懸念に個別に対処するが、ソース-メモリ統合、メモリガバナンス、および承認継続性を、メモリライフサイクル全体にわたるコア設計ターゲットとして扱うことはない。
我々は、Governed Enterprise Memoryをエージェントメモリとして定義し、AkasicMEMをその実現として提示する。
AkasicMEMは、トランジティブな系統、メモリ生成時のポリシー構成、検索時のポリシー再評価を通じて、認証継続性を実現する。
GraphAIのAkasicDB上に構築されている。これは統合ベクター-グラフ-リレーショナルデータベースで、ストレージと実行の基盤となる操作を共同で最適化し実行することができる。
関連論文リスト
- 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) - 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) - GateMem: Benchmarking Memory Governance in Multi-Principal Shared-Memory Agents [61.50171793000712]
GateMemはマルチプリンシパル共有メモリエージェントのベンチマークである。
医療、事務、教育、家庭の領域にまたがる。
強力なユーティリティ、堅牢なアクセス制御、信頼性のある忘れを同時に実現する方法は存在しない。
論文 参考訳（メタデータ） (2026-06-17T09:06:15Z) - SEDM: Scalable Self-Evolving Distributed Memory for Agents [23.182291416527764]
SEDMは、メモリをパッシブリポジトリからアクティブな自己最適化コンポーネントに変換する検証可能で適応的なフレームワークである。
また,SEDMは,強いメモリベースラインに比べてトークンオーバーヘッドを低減しつつ,推論精度を向上することを示した。
結果は、SEDMをオープンエンドのマルチエージェントコラボレーションのためのスケーラブルで持続可能なメモリメカニズムとして強調する。
論文 参考訳（メタデータ） (2025-09-11T14:37:37Z) - MemOS: A Memory OS for AI System [116.87568350346537]
大規模言語モデル(LLM)は、人工知能(AGI)にとって不可欠な基盤となっている。
既存のモデルは、主に静的パラメータと短命なコンテキスト状態に依存しており、ユーザの好みを追跡したり、長い期間にわたって知識を更新する能力を制限する。
MemOSはメモリを管理可能なシステムリソースとして扱うメモリオペレーティングシステムである。
論文 参考訳（メタデータ） (2025-07-04T17:21:46Z) - A-MEM: Agentic Memory for LLM Agents [42.50876509391843]
大規模言語モデル(LLM)エージェントは、歴史的経験を活用するためにメモリシステムを必要とする。
現在のメモリシステムは基本的なストレージと検索を可能にするが、洗練されたメモリ構造は欠如している。
本稿では, LLMエージェントに対して, エージェント方式で動的に記憶を整理できる新しいエージェントメモリシステムを提案する。
論文 参考訳（メタデータ） (2025-02-17T18:36:14Z)
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。