論文の概要: Scope Before You Persist: Preventing Cross-Family Interference in Agent Memory
- arxiv url: http://arxiv.org/abs/2609.29144v1
- Date: Thu, 24 Sep 2026 07:22:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.768962
- Title: Scope Before You Persist: Preventing Cross-Family Interference in Agent Memory
- Title（参考訳）: エージェントメモリにおけるクロスファミリ干渉の防止
- Abstract要約: 永続メモリにより、言語モデルエージェントはモデルの重みを更新することなくプロンプトとスキルを改善することができる。
検索範囲と認定範囲を一致させることで、これらの編集が繰り返しタスクファミリ間の信頼性の高い繰り返し適応をサポートできることが示される。
- 参考スコア（独自算出の注目度）: 10.008162829029862
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Persistent memory lets language-model agents improve prompts and skills without updating model weights. We show that matching retrieval scope to certification scope enables these edits to support reliable repeated adaptation across recurring task families. We study frozen-model agents on ProcStream-RSI, a 12-round code-repair stream, using Orthogonal Regression Control (ORC), an execution-grounded gate for persistent skill edits. In an intervention that holds proposals and gate decisions fixed, retrieving each accepted skill only for its originating family raises mean hidden trajectory utility from 0.713 under global memory to 0.816 and changes harmful deployments from six of eight to none. In 27 paired randomized-order streams, Scoped-ORC improves mean trajectory utility by 0.063 [0.037, 0.094] over Global-ORC, accepts 63 rather than 12 updates, and produces multiple accepted updates in 19/27 streams, with 0/63 harmful acceptances. The global control reaches 0.713, below the static agent's 0.775, because locally valid edits can interfere with unrelated families. These results establish scope matching as a complementary control for persistent agent memory: certification determines whether an edit is supported, while retrieval scope determines where that evidence authorizes its use.
- Abstract（参考訳）: 永続メモリにより、言語モデルエージェントはモデルの重みを更新することなくプロンプトとスキルを改善することができる。
検索範囲と認定範囲を一致させることで、これらの編集が繰り返しタスクファミリ間の信頼性の高い繰り返し適応をサポートできることが示される。
本稿では,12ラウンドのコード再生ストリームであるProcStream-RSI上の凍結モデルエージェントについて,永続的なスキル編集のための実行台ゲートであるOrthogonal Regression Control (ORC)を用いて検討する。
提案とゲート決定を確定した介入では、その起源の家族にのみ受け入れられたスキルを回収することで、世界記憶下の0.713から0.816へ、有害な配置を8つ中6つから8つに変更する。
27対のランダム化順序ストリームでは、Scoped-ORCはGlobal-ORCよりも0.063[0.037, 0.094]平均軌道ユーティリティを改善し、12の更新よりも63を受け付け、19/27ストリームで複数のアップデートを生成し、0/63の有害な受け入れを行う。
グローバルコントロールは0.713に達し、静的エージェントの0.775以下である。
これらの結果は、永続的なエージェントメモリの補完的な制御としてスコープマッチングを確立し、認証は編集がサポートされているかどうかを判断し、検索スコープはそのエビデンスがその使用を認可する場所を決定する。
関連論文リスト
- RobustSGPO: Search-Space Control for Agent Harness Evolution [56.722805974785125]
我々は、要求された編集、構成、パッチのチェックを指定し、既存のスナップショットまたは保持スナップショットからの検索を継続するRobustSGPOを紹介した。
我々は,120タスク,95ラン,7350の候補を用いて,AgentXブレインストーミングワークフローにおけるパーミッションスケジューリング,累積制御,タスクファミリー転送を評価した。
論文 参考訳（メタデータ） (2026-09-09T03:00:03Z) - EvoSafeHarness: Evolving Model- and Domain-Specific Harnesses for Securing Agents [74.54929751174289]
EvoSafeHarnessは、ターゲットドメイン内の凍結モデルのためのデプロイ可能なハーネスを合成する、安全固有の最適化フレームワークである。
これは平均攻撃成功率を3.3ポイントのユーティリティコストで45.6%から10.0%に下げる。
また、Agent-SafetyBenchでは、すべての犠牲者に対してベストスコアを獲得している。
論文 参考訳（メタデータ） (2026-09-05T05:56:41Z) - Hindsight Memory-PRM: Supervising Memory Management with Auditable Hindsight Credit [48.811961095386]
Hindsight Memory-PRMはこの監査パスを2回利用します。
オフラインで操作条件付きメモリユーティリティの批判をトレーニングする。
オンラインでは、検索、引用、および1つの制御された削除と再回答が、介入校正されたエントリーレベルのプレゼンスクレジットを確定する。
論文 参考訳（メタデータ） (2026-08-30T06:53:13Z) - COVER: Identifiable Evaluation of Coalition Routing [0.0]
マルチエージェントシステムがチームを変更すると、メッセージと最終回答も変更されるので、エンドツーエンドの精度ギャップはそれ自体がルーティング効果を識別しない。
結果が生成される前に、公開情報境界、下流スタックG、有限の法定チームファミリーを固定する評価契約を導入する。
完全なカバレッジは、そのスタック上の正確な有限括弧のオラクルの後悔条件を特定する。
論文 参考訳（メタデータ） (2026-08-28T16:01:07Z) - CURA: Certified Runtime Alarms for Computer-Use Agents [6.896160570537455]
セルフレポートは、デプロイが持つ最も安価な監視チャネルであり、有能なコンピュータ使用エージェントでは、監視が重要な場所を正確に失敗する。
361 OSWorldでは、当社のパイプライン、読み取り専用実現ゲート、プランナー、エグゼキュータが、平均タスクスコア82.9に達し、72.4人の参照を上回ります。
71の障害のうち64件(90%)は成功の主張で終わるが、約9100回の呼び出しで明確な失敗の余裕がないことを認めている。
Alarm-gated Mid-execution oversightが障害70件中23件をリカバリし、38日にフロンティア監視機を使用
論文 参考訳（メタデータ） (2026-08-28T00:50:47Z) - A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination [51.06539604709775]
本稿では、制御ユニットを表現編集からロール条件のエビデンスビューへシフトさせる自己進化型エージェントフレームワークであるA-SRを提案する。
A-SRは、コーディネートプロトコル、オンライン評価器・リワードロールポリシー、および状態制御プロセスメモリ間のルーティングによる公式発見をコーディネートする。
論文 参考訳（メタデータ） (2026-08-05T14:01:10Z) - AgentDebugX: An Open-Source Toolkit for Failure Observability, Attribution, and Recovery in LLM Agents [83.37969790806069]
LLMエージェントのエラーは、エラーが表面化するステップが原因ではないことが多いため、デバッグが難しい。
Agent DebuggerXはオープンソースのフレームワークで、デバッグをDe Detect, Attribute, Recover, Rerunのクローズドループとして整理する。
コアとなるDeep Debuggerは、グローバルな軌跡理解を通じてマルチターン根本原因診断を行う。
論文 参考訳（メタデータ） (2026-07-21T06:21:13Z) - ReacTOD: Bounded Neuro-Symbolic Agentic NLU for Zero-Shot Dialogue State Tracking [2.2573512203799626]
本稿では,NLUを独立したツールコールとして再構成する有界神経シンボルアーキテクチャであるReacTODを提案する。
有界ReActループは反復自己補正を可能にし、MultiWOZ上のシングルパス推論よりも最大9.3ポイント精度を向上させる。
論文 参考訳（メタデータ） (2026-05-18T20:06:04Z) - CRANE: Constrained Reasoning Injection for Code Agents via Nullspace Editing [5.661334639541121]
CRANEは、シンキング・インストラクトデルタを、インストラクトバックボーンの候補推論編集のプールとして扱う、トレーニング不要なパラメータ編集手法である。
ペア化されたインストラクトとシンキングのチェックポイントを組み合わせることで、CRANEはどちらのモデルよりも強力なゲインを提供する。
論文 参考訳（メタデータ） (2026-05-13T20:09:35Z) - AuditRepairBench: A Paired-Execution Trace Corpus for Evaluator-Channel Ranking Instability in Agent Repair [21.974153439592317]
AuditBenchは576,000の登録細胞(96,000が実行)のペア実行トレースコーパスである
宣言された可観測性境界内で評価器-チャネル遮断ランキングの不安定を運用する。
80ケースのソースレベルのチャネルサージェリーサブセット上で、メカニズムアンカレートによる検証がサポートされている。
論文 参考訳（メタデータ） (2026-05-06T08:12:09Z) - Agent KB: Leveraging Cross-Domain Experience for Agentic Problem Solving [62.71545696485824]
我々は,異種エージェントフレームワーク間のシームレスな体験共有を可能にするユニバーサルメモリ基盤であるAgent KBを紹介した。
Agent KBはトラジェクトリを構造化知識ベースに集約し、軽量APIを提供する。
我々は,GAIA,Humanity's Last Exam,GPQA,SWE-benchなどの主要フレームワークにまたがるエージェントを検証した。
論文 参考訳（メタデータ） (2025-07-08T17:59:22Z)
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。