論文の概要: PORTER: Edge-Cloud Residency for Persistent 3D Scene Graph Memory

• arxiv url: http://arxiv.org/abs/2609.33258v1
• Date: Sun, 27 Sep 2026 05:59:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 01:47:32.257185
• Title: PORTER: Edge-Cloud Residency for Persistent 3D Scene Graph Memory
• Title（参考訳）: Porter: 永続的な3Dシーングラフメモリのためのエッジクラウドレジデンシ
• Abstract要約: タスクが変化するにつれて、以前のタスクに蓄積されたペイロードは現在のタスクとは無関係になるかもしれないが、将来のタスクでは再び有用になる。 我々は、持続性を常駐から切り離す Porterを紹介します。 そこで我々は, 各タスクを機能要件に分解し, オフロードによる要求カバレッジの損失を測定するIrreplaceable Support Erasure (ISE)を導入する。
• 参考スコア（独自算出の注目度）: 15.213004129559627
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent task-driven and just-in-time 3D Scene Graph (3DSG) methods reduce per-task representations by constructing or activating only task-relevant information. Yet sparse per-task working sets do not bound onboard memory usage over a robot's lifetime: as tasks change, payloads accumulated for earlier tasks may become irrelevant to the current task but can be useful again in future tasks. Over repeated task switches and expanding environments, retaining such reusable payloads causes local memory to grow, whereas discarding them entirely can lead to costly repeated construction of the same payloads later. We introduce PORTER, which decouples persistence from residency: lightweight anchors remain in the limited memory of the edge robot while heavy object payloads migrate between the edge and the cloud. Relevance alone is insufficient for deciding residency because multiple relevant payloads may provide redundant information. We therefore decompose each task into functional requirements and introduce Irreplaceable Support Erasure (ISE), which measures the loss in requirement coverage caused by offloading. ISE discounts replaceable support and penalizes losses more strongly when the remaining coverage of a requirement is weak. PORTER constructs a budget-aware local working set by repeatedly offloading the payload with the smallest marginal ISE per byte. Experiments on JITOMA-Bench evaluate PORTER across four 3DSG builders. Under progressive compression, pooled relative mR@3 remains at 100% through 91% payload-byte offloading.
• Abstract（参考訳）: 最近のタスク駆動・ジャスト・イン・タイム3Dシーングラフ(DSG)手法はタスク関連情報のみを構築・活性化することによりタスクごとの表現を減らす。 タスクが変化するにつれて、以前のタスクに蓄積されたペイロードは現在のタスクとは無関係になるが、将来のタスクでは再び有用になる。 繰り返し発生するタスクスイッチと拡張環境により、そのような再利用可能なペイロードを保持することで、ローカルメモリが成長する一方、完全に破棄することで、同じペイロードを構築するのにコストがかかる可能性がある。 軽量アンカーはエッジロボットの限られたメモリに留まり、重いオブジェクトペイロードはエッジとクラウドの間を移動します。 複数の関連するペイロードが冗長な情報を提供する可能性があるため、居住地を決定するには関連性だけでは不十分である。 そこで我々は, 各タスクを機能要件に分解し, オフロードによる要求カバレッジの損失を測定するIrreplaceable Support Erasure (ISE)を導入する。 ISEは、リプレース可能なサポートを割引し、残りの要件が弱い場合に損失をより強く罰する。 Porterは、ペイロードをバイト当たり最小限のISEで繰り返しオフロードすることで、予算対応のローカルな作業セットを構築する。 JITOMA-Benchの実験は、4つの3DSGビルダーにわたる Porterを評価した。 プログレッシブ圧縮の下では、プールされた相対mR@3は100%から91%のペイロードバイトのオフロードのままである。

関連論文リスト

• Just-in-Time Memory: Learning to Curate Task-Adaptive Memory for LLM Agents [44.553954363902356]
  エージェントメモリシステムは、過去の経験を再利用して将来のパフォーマンスを改善する。 既存の設計のほとんどは、タスクが完了すると書き込み時にメモリをキュレートする。 即時要求に合わせたタスク適応ペイロードを開発する。 我々のJust-in-Time Memory(JitMem)は、学習した書き込み時間メモリメソッドと同様に、無メモリエージェントよりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-09-23T04:14:53Z)
• 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)
• What Memory Do GUI Agents Really Need? From Passive Records to Active Task-Driving States [29.883598855446976]
  モバイルGUIエージェントは、ページやアプリケーション間でのタスク関連データの読み込み、更新、再利用を必要とする長い水平タスクに直面している。 既存の方法は、メモリを主にパッシブストレージとして扱い、過去の観測が蓄積され、必要に応じて回収される。 本稿では,GUIエージェントメモリをパッシブストレージからアクティブに保守された実行状態に移行するアクティブタスク駆動メモリ(ATMem)を提案する。
  論文  参考訳（メタデータ） (2026-06-30T13:01:19Z)
• MEM1: Learning to Synergize Memory and Reasoning for Efficient Long-Horizon Agents [84.62985963113245]
  我々は,長時間のマルチターンタスクに対して,エージェントが一定のメモリで動作可能な,エンドツーエンドの強化学習フレームワークMEM1を紹介する。 各ターンでMEM1は、メモリ統合と推論を共同でサポートするコンパクトな共有内部状態を更新する。 その結果,MEM1-7Bは16目的のマルチホップQAタスクにおいて,Qwen2.5-14B-Instructと比較してメモリ使用量を3.7倍削減し,3.5倍の性能向上を示す。
  論文  参考訳（メタデータ） (2025-06-18T19:44:46Z)
• KARMA: Augmenting Embodied AI Agents with Long-and-short Term Memory Systems [12.461941212597877]
  エンボディードAIエージェントは、しばしばコンテキスト内メモリの困難に直面し、タスク実行の非効率性とエラーを引き起こす。 我々は,長期記憶モジュールと短期記憶モジュールを統合する革新的なメモリシステムであるKARMAを紹介する。 メモリ拡張型エンボディAIエージェントは,複合タスクおよび複合タスクにおいて,成功率を1.3倍,2.3倍に向上させる。
  論文  参考訳（メタデータ） (2024-09-23T11:02:46Z)
• Localizing Task Information for Improved Model Merging and Compression [61.16012721460561]
  我々は,各タスクの重み付けが重なり合わないことが多いため,各タスクがマージされた後も,各タスクの解決に必要な情報が保存されていることを示す。 本稿では,そのような重みを排除し,既存のモデルマージ手法の一般的な性能を改善するアルゴリズムであるConsensus Mergingを提案する。
  論文  参考訳（メタデータ） (2024-05-13T14:54:37Z)
• Memory Gym: Towards Endless Tasks to Benchmark Memory Capabilities of Agents [4.371266695484245]
  Memory GymはMortar Mayhem、Mystery Path、Searing Spotlightsという2D部分的に観測可能な環境のスイートを提供する。 これらの環境は、もともと有限のタスクを持ち、革新的で無限のフォーマットに拡張され、"I pack my bag"のような累積記憶ゲームにおけるエスカレーションの課題を反映している。
  論文  参考訳（メタデータ） (2023-09-29T12:59:28Z)
• TinyTL: Reduce Activations, Not Trainable Parameters for Efficient On-Device Learning [78.80707950262214]
  デバイス上での学習により、エッジデバイスはAIモデルを新しいデータに継続的に適応できる。 既存の作業は、トレーニング可能なパラメータの数を減らすことで、この問題を解決する。 メモリ効率の高いオンデバイス学習のためのTiny-Transfer-Learning(TinyTL)を提案する。
  論文  参考訳（メタデータ） (2020-07-22T18:39:53Z)

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。