論文の概要: MemoryAthena: Adaptive Routing over Latent and Generated Memories
- arxiv url: http://arxiv.org/abs/2609.25853v2
- Date: Sat, 26 Sep 2026 19:52:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-29 21:31:51.638008
- Title: MemoryAthena: Adaptive Routing over Latent and Generated Memories
- Title（参考訳）: MemoryAthena: 遅延および生成されたメモリに対する適応的なルーティング
- Abstract要約: 本研究は,検索だけでなく,有用なメモリも生成できるかどうかを考察する。
MemoryAthenaは、直接Engram検索(E)、検索したEngram cues(GE)からの生成、メモリテーブル(GH)を参照せずに因果バックボーン状態からの生成の3つの経路を使用する。
- 参考スコア（独自算出の注目度）: 22.445014303182518
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learned-memory methods store information in an explicit table and consume it through a separate reader, allowing addressing, storage, and reading to be modified independently. We study whether useful memory can also be generated rather than only retrieved. MemoryAthena uses three pathways: direct Engram retrieval (E), generation from retrieved Engram cues (GE), and generation from causal backbone states without consulting the memory table (GH). Generated memory is conditionally useful: it can complement E in one context but interfere with it in another. MemoryAthena therefore treats E as an anchor and learns when a generated representation should intervene. With the backbone, memory, generators, and readers frozen, a lightweight causal routing head is trained from counterfactual future-token likelihood advantages of GE and GH relative to E. At inference time, an admitted candidate modifies the E residual through bounded interpolation, while rejection recovers the direct pathway exactly. On question answering, MemoryAthena raises the five-task average from 37.65 to 39.28 over the direct pathway of the same checkpoint, while the six-task general-NLP average increases from 76.73 to 79.13. The complete memory-side system contains approximately 201M parameters, excluding the frozen backbone. Further analyses show complementary strengths among E, GE, and GH across tasks and inputs. These results support generated memory as a selective correction to direct retrieval and highlight routing when, which, and how strongly to intervene as the central challenge.
- Abstract（参考訳）: Learned-Memoryメソッドは、情報を明示的なテーブルに格納し、それを別のリーダを通じて消費することで、アドレス、ストレージ、読み出しを独立して変更することができる。
本研究は,検索だけでなく,有用なメモリも生成できるかどうかを考察する。
MemoryAthenaは、直接Engram検索(E)、検索したEngram cues(GE)からの生成、メモリテーブル(GH)を参照せずに因果バックボーン状態からの生成の3つの経路を使用する。
生成メモリは条件付きで有用であり、あるコンテキストではEを補完するが、別のコンテキストでは干渉する。
MemoryAthenaは、Eをアンカーとして扱い、生成された表現がいつ介入すべきかを学ぶ。
バックボーン, メモリ, ジェネレータ, リーダの凍結により, ライトウェイト因果ルーティングヘッドは, Eに対するGEとGHの対実的将来的可能性の利点から訓練される。
質問に答えると、MemoryAthenaは同じチェックポイントの直接パスで5タスク平均を37.65から39.28に上げ、6タスク一般NLP平均を76.73から79.13に引き上げている。
完全なメモリサイドシステムは、凍結したバックボーンを除く約201Mパラメータを含む。
さらに分析したところ、E、GE、GHはタスクと入力間で相補的な強度を示す。
これらの結果は、生成したメモリを、直接検索とハイライトルーティングのための選択的な修正としてサポートし、どの時、どの時、そして、どのように中心的課題として介入するかを示す。
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) - CoEvo-Mem: Co-Evolving Retrieval Policy and Memory Bank for LLM Agents [12.963751758893594]
本稿では,検索ポリシとメモリバンクを併用するクローズドループフレームワークを提案する。
textbfCoEvo-Memは7つのベンチマークで最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-08-03T06:04:51Z) - Memory is Reconstructed, Not Retrieved: Graph Memory for LLM Agents [51.30250860677378]
本稿では,連想記憶グラフとアクティブな再構成機構を組み合わせたフレームワークであるMRAgentを提案する。
Cue-Tag-Contentグラフ上で実行することで,メモリアクセスに直接推論を統合する。
LoCoMoベンチマークとLongMemEvalベンチマークの実験は、強いベースラインよりも大幅に改善されている。
論文 参考訳（メタデータ） (2026-06-04T11:29:46Z) - MemCog: From Memory-as-Tool to Memory-as-Cognition in Conversational Agents [16.587587215932526]
本稿では,メモリアクセスを推論プロセスの不可欠な部分とするメモリ・アズ・認知システムを提案する。
MemCogはユーザ知識をNavigable Memory Storeとしてアソシエーションリンクグラフで整理する。
また,プロアクティブメモリトリガ評価のための最初のベンチマークであるProactiveMemBenchを構築した。
論文 参考訳（メタデータ） (2026-05-27T06:48:33Z) - 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) - 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) - Evoking User Memory: Personalizing LLM via Recollection-Familiarity Adaptive Retrieval [59.295767860331004]
RF-Memは、親しみやすい不確実性誘導デュアルパスメモリレトリバーである。
それは、人間のようなデュアルプロセス認識をレトリバーに埋め込む。
一定の予算とレイテンシの制約の下で、ワンショット検索とフルコンテキスト推論を一貫して上回る。
論文 参考訳（メタデータ） (2026-03-10T06:31:44Z) - MemAdapter: Fast Alignment across Agent Memory Paradigms via Generative Subgraph Retrieval [25.68006224976726]
メモリメカニズムはLLMベースのエージェントの中核的なコンポーネントであり、長期のコンテキスト上での推論と知識発見を可能にする。
既存のエージェントメモリシステムは通常、密結合した検索手法で分離されたパラダイムで設計される。
MemAdapterは、エージェントメモリパラダイム間の高速アライメントを可能にするメモリ検索フレームワークである。
論文 参考訳（メタデータ） (2026-02-09T08:09:25Z) - Lift Yourself Up: Retrieval-augmented Text Generation with Self Memory [72.36736686941671]
本稿では,検索拡張生成モデルを改善するための新しいフレームワーク,Selfmemを提案する。
Selfmemは、検索拡張ジェネレータを反復的に使用して、無制限のメモリプールを生成し、メモリセレクタを使用して、続く生成ラウンドの1つの出力をメモリとして選択する。
我々は,3つの異なるテキスト生成タスクにおける自己メモの有効性を評価する。
論文 参考訳（メタデータ） (2023-05-03T21:40:54Z)
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。