論文の概要: ActiveMem: Dynamic Latent Memory Trees for Long-Horizon Agents

• arxiv url: http://arxiv.org/abs/2609.33244v1
• Date: Sun, 27 Sep 2026 05:30:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 01:53:07.931178
• Title: ActiveMem: Dynamic Latent Memory Trees for Long-Horizon Agents
• Title（参考訳）: ActiveMem: 長距離エージェントのための動的潜在メモリツリー
• Abstract要約: ActiveMemは階層型メモリフレームワークで、エージェントエクスペリエンスを依存性対応の潜伏実行ツリーに整理する。 我々は、ActiveMemが既存のメモリベースエージェントよりもタスク補完、推論安定性、メモリ効率を一貫して改善していることを示します。
• 参考スコア（独自算出の注目度）: 6.1201750285699275
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Model (LLM) agents increasingly rely on external memory to support long-horizon reasoning and decision making. Existing memory systems typically retrieve historical trajectories or summaries as independent context fragments, overlooking the procedural dependencies underlying multi-step execution. As memory scales, such flat retrieval introduces context fragmentation and cross-task interference, leading to structurally inconsistent reasoning trajectories. We propose ActiveMem, a hierarchical memory framework that recursively organizes agent experiences into dependency-aware latent execution trees. ActiveMem abstracts trajectories into reusable subtask nodes while explicitly preserving execution transitions, enabling coherent reasoning-path retrieval conditioned on the current execution state. To support continual adaptation, ActiveMem further learns dynamic memory expansion, retrieval, and pruning policies through reinforcement learning. Experiments across various agent benchmarks demonstrate that ActiveMem consistently improves task completion, reasoning stability, and memory efficiency over existing memory-based agents. Moreover, ActiveMem enables compact open-weight models to achieve competitive performance with substantially larger proprietary systems.
• Abstract（参考訳）: 大きな言語モデル(LLM)エージェントは、長期の推論と意思決定をサポートするために、外部メモリに依存している。 既存のメモリシステムは、通常、複数のステップ実行の根底にある手続き的依存関係を見越して、独立したコンテキストフラグメントとして、過去のトラジェクトリや要約を検索する。 メモリのスケールが大きくなるにつれて、そのようなフラットな検索はコンテキストの断片化とクロスタスクの干渉を導入し、構造的に一貫性のない推論軌道をもたらす。 エージェントエクスペリエンスを依存性対応の潜在実行ツリーに再帰的に整理する階層型メモリフレームワークであるActiveMemを提案する。 ActiveMemは、トラジェクトリを再利用可能なサブタスクノードに抽象化し、実行遷移を明示的に保存する。 継続的適応をサポートするために、ActiveMemはさらに強化学習を通じて動的メモリ拡張、検索、プルーニングポリシーを学習する。 さまざまなエージェントベンチマークの実験では、ActiveMemは既存のメモリベースのエージェントよりもタスク補完、推論安定性、メモリ効率を一貫して改善している。 さらに、ActiveMemは、より大規模なプロプライエタリシステムと競合するパフォーマンスを実現するために、コンパクトなオープンウェイトモデルを可能にする。

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 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)
• 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)
• AMA: Adaptive Memory via Multi-Agent Collaboration [54.490349689939166]
  複数の粒度にまたがるメモリ管理に協調エージェントを活用する新しいフレームワークであるAMA(Adaptive Memory via Multi-Agent Collaboration)を提案する。 AMAは、ステート・オブ・ザ・アートのベースラインを著しく上回り、トークンの消費をフルコンテキストの手法と比べて約80%削減する。
  論文  参考訳（メタデータ） (2026-01-28T08:09:49Z)
• Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents [57.38404718635204]
  大規模言語モデル (LLM) エージェントは、有限コンテキストウィンドウによる長距離推論において基本的な制限に直面している。 既存のメソッドは通常、長期記憶(LTM)と短期記憶(STM)を独立したコンポーネントとして扱う。 本稿では,エージェントのポリシーに LTM と STM 管理を直接統合する統合フレームワークである Agentic Memory (AgeMem) を提案する。
  論文  参考訳（メタデータ） (2026-01-05T08:24:16Z)
• 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)

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。