論文の概要: Learning from Others, Acting for You: Cross-User Memory Sharing for LLM Agents
- arxiv url: http://arxiv.org/abs/2609.32511v1
- Date: Sat, 26 Sep 2026 11:59:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-07 08:27:53.175613
- Title: Learning from Others, Acting for You: Cross-User Memory Sharing for LLM Agents
- Title（参考訳）: 他者から学び、あなたのために行動する: LLMエージェントのためのクロスユーザメモリ共有
- Abstract要約: ShareMemは、再利用可能なエクスペリエンスを共有しながら、アプリケーションをユーザ自身の好みに根ざしたメモリアーキテクチャである。
ウェブナビゲーション(Mind2Web)、オンラインパーソナライズされたインタラクション(VitaBench2.0)、および4つのバックボーンモデルによるマルチセッションコーディングを評価する。
- 参考スコア（独自算出の注目度）: 19.180843836128258
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language model (LLM) agents serving different users often solve related tasks, yet separate user histories can leave reusable experience inaccessible to other agents. Pooling memories expands access but risks transferring preferences that conflict with the receiving user's requirements. We introduce ShareMem, a memory architecture that shares reusable experience while grounding its application in the receiving user's own preferences. Shared experiences indicate how to act and which preferences to consult; the receiving user's memory supplies their concrete values. Two-stage consolidation refines experience locally before integrating accepted edits into a shared pool. During execution, scope-first retrieval jointly selects local and shared experiences under a common entry budget, while a user-bound channel supports initial and agent-initiated preference retrieval. We evaluate ShareMem across web navigation (Mind2Web), online personalized interaction (VitaBench~2.0), and multi-session coding (MemoryCode) with four backbone models. It improves step success, average task success, and dialogue-macro coding scores, respectively, over matched user-local memory across all four models. Ablations favor two-stage consolidation for smaller shared pools, lower induction token usage, and better downstream performance, and support complementarity between experience guidance and active preference retrieval. Further analyses show that sharing helps most when relevant local experience is scarce, while source quality and cross-user preference interference limit useful transfer.
- Abstract（参考訳）: 大きな言語モデル(LLM)エージェントは、異なるユーザに対して、しばしば関連するタスクを解決しますが、別のユーザ履歴は、他のエージェントにはアクセスできない再利用可能なエクスペリエンスを残します。
ポーリングメモリはアクセスを拡大するが、受信ユーザの要求に反する好みを転送するリスクがある。
ShareMemは、再利用可能なエクスペリエンスを共有しながら、アプリケーションをユーザ自身の好みに根ざしたメモリアーキテクチャである。
共有された体験は、どのように行動し、どの好みを相談するかを示し、受信したユーザのメモリが具体的な価値を提供する。
2段階の統合は、承認された編集を共有プールに統合する前に、ローカルで経験を洗練する。
実行中、スコープファースト検索は共通のエントリ予算の下で、ローカルおよび共有エクスペリエンスを共同で選択する一方、ユーザバウンドチャネルは、初期およびエージェント開始の嗜好検索をサポートする。
ウェブナビゲーション(Mind2Web)、オンラインパーソナライズされたインタラクション(VitaBench~2.0)、および4つのバックボーンモデルによるマルチセッションコーディング(MemoryCode)を評価する。
ステップ成功、平均タスク成功、対話マクロコーディングスコアが4つのモデルすべてで一致したユーザローカルメモリよりも向上する。
アブレーションは、小さな共有プールのための2段階の統合、低い誘導トークンの使用、下流のパフォーマンスの向上、経験指導とアクティブな嗜好検索の相補性のサポートを好んでいる。
さらに分析した結果,ローカルエクスペリエンスが不十分な場合の共有は最も有効であり,ソース品質とユーザ間の選好干渉が有効な転送を制限することがわかった。
関連論文リスト
- AIM: A Privacy-Aware Interoperable Memory Framework for Multi-Agent Multi-User LLM Systems [5.794441285100987]
AIM(Agentic Interoperable Memory)は,マルチエージェント・マルチユーザLLMシステムのためのプライバシ対応メモリフレームワークである。
AIMは動的に情報をプライベートに分類し、一つのユーザーに対してスコープ化され、他のユーザーに対してアクセスできない、またはすべてのユーザーに対してアクセス可能なパブリックに分類する。
インデックスレベルのアクセス制御を強制し、プライベートメモリを所有者によってのみ検索できるようにする。
MUMBenchは、マルチユーザ環境で複数のメモリ操作を評価するために設計された最初のパブリックデータセットである。
論文 参考訳（メタデータ） (2026-09-11T01:00:09Z) - QUMem: Personalized Memory for Query-Conditioned User-State Inference in LLM Agents [24.465097221083777]
textscQUMemは、クエリ条件付きユーザ状態推論のための構造化メモリフレームワークである。
textscQUMemはPersonaMemとKnowU-Benchの両方で最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2026-08-17T06:34:24Z) - 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) - Learning to Retrieve: Dual-Level Long-Term Memory for Text-to-SQL Agents [63.38073530162493]
長期記憶は、エージェントが過去の経験を再利用するのに役立つ。
静的メソッドは、下流ユーティリティを最適化しない固定された類似性に依存します。
動的マルチ水平メモリ検索フレームワークであるMERITを提案する。
論文 参考訳（メタデータ） (2026-05-30T05:44:34Z) - VitaBench 2.0: Evaluating Personalized and Proactive Agents in Long-Term User Interactions [63.13827503828231]
我々は、長期ユーザーインタラクションにおけるパーソナライズされたプロアクティブなエージェント動作を評価するためのベンチマークであるVitaBench 2.0を紹介する。
結果は、最先端のモデルでさえ、現実世界のパーソナライゼーションは非常に困難であることを示している。
論文 参考訳（メタデータ） (2026-05-26T15:07:38Z) - SessionIntentBench: A Multi-task Inter-session Intention-shift Modeling Benchmark for E-commerce Customer Behavior Understanding [64.45047674586671]
本稿では,意図木の概念を導入し,データセットキュレーションパイプラインを提案する。
我々は,L(V)LMsのセッション間意図シフト理解能力を評価するマルチモーダルベンチマークSessionIntentBenchを構築した。
1,952,177の意図的エントリ,1,132,145のセッション意図軌跡,および10,905のセッションを使用してマイニングされた13,003,664のタスクにより,既存のセッションデータを活用可能なスケーラブルな方法を提供する。
論文 参考訳（メタデータ） (2025-07-27T09:04:17Z) - PersonaAgent: When Large Language Model Agents Meet Personalization at Test Time [87.99027488664282]
PersonaAgentは、汎用的なパーソナライゼーションタスクに対処するために設計されたフレームワークである。
パーソナライズされたメモリモジュールとパーソナライズされたアクションモジュールを統合する。
テストタイムのユーザ嗜好アライメント戦略は、リアルタイムのユーザの嗜好アライメントを保証する。
論文 参考訳（メタデータ） (2025-06-06T17:29:49Z) - Collaborative Memory: Multi-User Memory Sharing in LLM Agents with Dynamic Access Control [11.08674526998021]
Collaborative Memoryは、非対称で時間進化するアクセス制御を持つマルチユーザ、マルチエージェント環境のためのフレームワークである。
我々のフレームワークは、非対称で時間的変化のあるポリシーを順守し、安全で効率的かつ解釈可能なクロスユーザー知識共有を可能にする。
論文 参考訳（メタデータ） (2025-05-23T18:14:57Z) - Memory Assisted LLM for Personalized Recommendation System [1.8788391002788387]
大規模言語モデル(LLM)は、レコメンデーションタスクの解決に大きな可能性を示している。
メモリアシスト型パーソナライズ LLM (MAP) を提案する。
まず、ユーザ毎に履歴プロファイルを作成し、履歴項目のレーティングなどの好みをキャプチャする。
推薦中、類似性に基づいて関連記憶を抽出し、それをプロンプトに組み込んでパーソナライズされたレコメンデーションを強化する。
論文 参考訳（メタデータ） (2025-05-03T06:24:18Z) - MemoCRS: Memory-enhanced Sequential Conversational Recommender Systems with Large Language Models [51.65439315425421]
大規模言語モデルを用いたメモリ拡張型会話レコメンダシステムフレームワーク(MemoCRS)を提案する。
ユーザ固有のメモリは、パーソナライズされた関心事のために各ユーザに合わせて調整される。
共同知識と推論ガイドラインをカプセル化した一般的な記憶は、ユーザに共有知識を提供することができる。
論文 参考訳（メタデータ） (2024-07-06T04:57:25Z)
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。