論文の概要: HasMem: Hard-Origin Adaptively Softened Memory for Long-Term LLM Agents
- arxiv url: http://arxiv.org/abs/2609.30797v1
- Date: Fri, 25 Sep 2026 04:22:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 18:27:51.228411
- Title: HasMem: Hard-Origin Adaptively Softened Memory for Long-Term LLM Agents
- Title（参考訳）: HasMem:長期LLMエージェントのためのハードオリジン適応型ソフトメモリ
- Abstract要約: ハードオリジン適応軟化メモリ(HasMem)を提案する。
凍結した急激な埋め込みは、検証可能な初期状態を提供する。
500ドルのLongMemEval-Sの質問に対して、ローカルの語彙F1はハードリファレンスの3.4ドルから8.9ドルに上昇し、負のログ類似度(NLL)への答えは12.257ドルから5.274ドルになる。
- 参考スコア（独自算出の注目度）: 21.47408873041601
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Text-based memory and context compression support reuse of past interactions. Resizing continuous memory changes the input to a frozen LLM, coupling capacity allocation with readout. We propose Hard-Origin Adaptively Softened Memory (HasMem). Frozen hard-prompt embeddings provide a verifiable initial state. A controller adjusts memory widths, a Writer re-encodes resized entries, and Reader and Global provide readout adaptation and cross-turn state. On all $535$ questions in a reconstruction probe derived from the Multi-Session Chat (MSC) development split, the main configuration achieves lexical F1 of $95.3$ ($+4.4$ percentage points) at $93.6\%$ of the hard reference's framed memory positions. With approximately matched per-question target body budgets, six configurations at mean per-entry retention around $0.83$--$0.91$ exceed rule-based re-encoding by $8.0$--$23.6$ exact-match (EM) percentage points. With fixed model parameters and rule target width ratio $0.75$, Global's EM gain passes a user-level exact paired test with Bonferroni correction over eight comparisons. On all $500$ LongMemEval-S questions, local lexical F1 rises from the hard reference's $3.4$ to $8.9$, and answer negative log-likelihood (NLL) falls from $12.257$ to $5.274$. F1 gains accompany lower EM on both evaluations.
- Abstract（参考訳）: テキストベースのメモリとコンテキスト圧縮は過去のインタラクションの再利用をサポートする。
連続記憶の小型化は、入力を冷凍LDMに変更し、リードアウトと結合容量を割り当てる。
本稿では,Hard-Origin Adaptive Softened Memory (HasMem)を提案する。
凍結した急激な埋め込みは、検証可能な初期状態を提供する。
コントローラはメモリ幅を調整し、Writerはリサイズエントリを再エンコードし、ReaderとGlobalはリードアウト適応とクロスターン状態を提供する。
マルチセッションチャット(Multi-Session Chat, MSC)開発分割から派生したリコンストラクションプローブの535ドルの全ての質問に対して、主構成は9.3ドル(+4.4$%)の語彙F1をハードリファレンスのフレーム化されたメモリ位置の93.6.%で達成した。
照会対象のボディ予算にほぼ一致する6つの構成は、平均で0.83$--0.91$ルールベースの再エンコーディングを8.0$--23.6$正確なマッチ(EM)パーセンテージで上回っている。
固定モデルパラメータとルール目標幅比$0.75$で、GlobalのEMゲインは、8つの比較でBonferroniを補正したユーザレベルの正確なペアテストに合格する。
500ドルのLongMemEval-Sの質問に対して、ローカルの語彙F1はハードリファレンスの3.4ドルから8.9ドルに上昇し、負のログ類似度(NLL)への答えは12.257ドルから5.274ドルになる。
F1ゲインは、両方の評価において低いEMを伴います。
関連論文リスト
- MemBodied: Recurrent Associative Memory for Vision-Language-Action Models [49.19321968091714]
2つの相補的成分を持つ固定サイズのエピソードメモリであるMemBodiedを紹介する。
RMBenchの5つのタスクでメモリを必要とするが、MemBodiedはステートレスポリシーの平均成功率は7.81ドルである。
論文 参考訳（メタデータ） (2026-09-23T15:19:19Z) - Selective Forgetting: A Graph-Based Memory Framework for Long-Term LLM Agents [0.0]
我々のフレームワークは,各会話のターンをタイプノードと属性エッジに抽出する。
2ホップのサブグラフから質問に回答し、リクライド、アクセス頻度、度重心、年齢の重み付けの組み合わせで低いスコアのノードを定期的にプーンする。
抽出器は1つのベンチマークで評価された1つの小さなモデルであるため、これらの結果は一般にグラフ構造化メモリではなく、この抽出に基づくパイプラインを特徴付ける。
論文 参考訳（メタデータ） (2026-08-29T01:11:10Z) - Caching for the Future: Scrub Jay Episodic Memory Principles for Agent Memory Systems [5.321970297768025]
既存の記憶アーキテクチャは、全ての記憶を、時代遅れの事実と共に、保存されたコンテキストを均等に永続的で体系的に汚染したものとして扱う。
メモリ当たりの時間減衰は,外部LLMエージェントメモリストアにおいて,自動分類係数$_i$として操作可能であることを示す。
本稿では,時間的一般化テスト(TGT)と,保持間隔を保ったベンチマーク,一般化ギャップ(GenGap)メトリクスを紹介する。
論文 参考訳（メタデータ） (2026-08-05T12:12:44Z) - 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) - Scaling Laws for Agent Harnesses via Effective Feedback Compute [53.68149869349268]
emphEffective Feedback Compute (EFC)は、情報的、有効、非冗長な場合にのみフィードバックを信用し、その後の決定のために保持するトレースレベルのスケーリング座標である。
EFCベースの座標は、生の計算ベースラインよりも失敗率を常に予測する。
論文 参考訳（メタデータ） (2026-05-28T09:45:47Z) - $δ$-mem: Efficient Online Memory for Large Language Models [44.912347805786716]
我々は,凍結したフルアテンションバックボーンを連想メモリのコンパクトなオンライン状態に拡張する軽量メモリ機構である$-memを提案する。
$-memはデルタルール学習によって更新された固定サイズの状態行列に過去の情報を圧縮し、その読み出しを使ってバックボーンの注意計算の低ランク補正を生成する。
論文 参考訳（メタデータ） (2026-05-12T16:31:44Z) - MemQ: Integrating Q-Learning into Self-Evolving Memory Agents over Provenance DAGs [47.66730296440261]
我々は,新たなメモリが生成されるたびに記憶が取得されたことを記録した証明DAGを通じて,クレジットを後方に伝播するMemQを紹介した。
6つのベンチマークで、MemQは、一般化評価とランタイム学習の6つすべてで最高成功率を達成した。
さらに、$と$がEC-MDP構造とどのように相互作用するかを研究し、パラメータ選択と将来の研究の原則的なガイダンスを提供する。
論文 参考訳（メタデータ） (2026-05-08T18:30:24Z) - ZenBrain: A Neuroscience-Inspired 7-Layer Memory Architecture for Autonomous AI Systems [51.56484100374058]
LongMemEval-500では、ZenBrainは長いコンテキストのオラクルのバイナリ・ジャッジの精度を4.5pp以内と一致させる。
ZenBrainは7層の神経科学にインスパイアされたメモリアーキテクチャである。
論文 参考訳（メタデータ） (2026-04-26T20:39:19Z) - Copy-as-Decode: Grammar-Constrained Parallel Prefill for LLM Editing [2.6382975801439836]
LLMは、入力中にほとんどのトークンが冗長に見える場合でも、全出力を自動回帰的に再生することでテキストとコードを編集する。
Copy-as-Decodeは、2プリミティブ文法上の構造化復号化として生成を再キャストする復号化機構である。
論文 参考訳（メタデータ） (2026-04-20T12:29:53Z)
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。