論文の概要: Remember Before You're Asked: MemDream for Self-Probing Memory Evolution

• arxiv url: http://arxiv.org/abs/2609.34545v1
• Date: Mon, 28 Sep 2026 08:07:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 12:35:46.307074
• Title: Remember Before You're Asked: MemDream for Self-Probing Memory Evolution
• Title（参考訳）: MemDreamは、記憶の進化を自動生成するツール
• Abstract要約: 我々は,LLMエージェントの自己生成メモリ進化を可能にするフレームワークであるMemDreamを提案する。 3つの専門エージェントが障害発生前にメモリグラフを探索し、診断し、修復するオフラインドリームサイクルに定期的に参入する。 LoCoMo と MemoryAgentBench の実験では、MemDream は LoCoMo 上の解 F1 を4.5 ポイント改善し、強い反応性進化ベースラインよりも9.1 ポイント高いスコアをMAB 上で達成している。
• 参考スコア（独自算出の注目度）: 4.468325484799388
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Memory is essential for enabling LLM-based agents to maintain coherent, personalized behavior over long-horizon interactions. However, existing memory systems share a fundamental limitation: they never proactively test their own memory, repairing it only after real queries expose weaknesses. This reactive paradigm means every retrieval failure corresponds to a real interaction in which the cost has already been paid. We propose MemDream, a framework that enables self-probing memory evolution for LLM agents. Our framework periodically enters offline dream cycles where three specialized agents (Dreamer, Analyst, Consolidator) collaboratively probe, diagnose, and repair the memory graph before failures occur. A policy trained via Group Relative Policy Optimization learns which repair operations produce durable retrieval improvements, while a soft decay mechanism provides reversible forgetting driven by the same anticipatory signal. Experiments on LoCoMo and MemoryAgentBench demonstrate that MemDream improves answer F1 by 4.5 points on LoCoMo and achieves a 9.1-point higher overall score on MAB over the strongest reactive-evolution baselines.
• Abstract（参考訳）: メモリは、LLMベースのエージェントが長期の相互作用に対して一貫性のあるパーソナライズされた動作を維持するために必須である。 しかし、既存のメモリシステムは基本的な制限を共有しており、彼らは自身のメモリを積極的にテストせず、実際のクエリが弱点を露呈した後のみ修復する。 このリアクティブパラダイムは、すべての検索障害が、コストがすでに支払われている実際のインタラクションに対応することを意味する。 我々は,LLMエージェントの自己生成メモリ進化を可能にするフレームワークであるMemDreamを提案する。 我々のフレームワークは、障害が起こる前に3つの専門エージェント(Dreamer、Analyst、Consolidator)が共同でメモリグラフを探索し、診断し、修復するオフラインドリームサイクルに定期的に参入する。 グループ相対政策最適化を通じて訓練されたポリシーは、修復操作が耐久性のある検索改善をもたらすかを学ぶ一方、ソフト崩壊機構は、同じ予測信号によって駆動される可逆的な忘れ物を提供する。 LoCoMo と MemoryAgentBench の実験では、MemDream は LoCoMo 上の解 F1 を4.5 ポイント改善し、強い反応性進化ベースラインよりも9.1 ポイント高いスコアをMAB 上で達成している。

関連論文リスト

• Probing Stability-Plasticity Tradeoffs in Agent Memory through Cognitive Experimental Paradigms [7.9855125856736775]
  現在の評価では、メモリの挙動を最終回答精度に分解する。 MemProbeは認知科学に触発された、エージェントメモリにおける安定性と塑性のトレードオフを診断するためのフレームワークである。
  論文  参考訳（メタデータ） (2026-09-24T21:10:36Z)
• Retrieval-Driven Memory Reconsolidation for Long-Term LLM Agents [39.55670043123564]
  既存のメモリシステムは、新しい情報が到着したときにメモリを更新する。 検索フィードバックは、将来のアクセスのためにメモリを再編成するために利用されることはめったにない。 LLMエージェントの長期記憶を継続的に進化させるフレームワークである textbfREALM を提案する。
  論文  参考訳（メタデータ） (2026-09-13T05:17:37Z)
• Harness the Memory: A Holistic Evaluation of Memory Substrates in Memory Agents [97.19033877543522]
  本稿では,メモリ拡張剤のメモリ基板の制御ハーネス評価について述べる。 統一されたハーネスの下で26のパフォーマンスと効率のメトリクスを計測する。 これらの知見は、アダプティブエージェントメモリシステムに必要なコンポーネントとして、基質ルーティングを動機付けている。
  論文  参考訳（メタデータ） (2026-08-15T03:29:48Z)
• The Compliance Trap: Diagnosing How AI Agents Consume Conflicting Memory [9.041305193333434]
  メモリは、長年にわたるAIエージェントの中核的なコンポーネントになりつつある。これにより、エージェントは、Webブラウザやソフトウェアツール、その他のインタラクティブな環境を操作する際に、過去の経験を再利用することができる。 既存の作業は、主にメモリを供給問題として扱い、どのエクスペリエンスを書くか、どのように保存するか、どのエントリを次のタスクに取得するかを尋ねる。 しかし、モデルが取得したメモリをどのように消費するかについては、まだ明確な説明がありません。
  論文  参考訳（メタデータ） (2026-07-12T07:05:31Z)
• MemSyco-Bench: Benchmarking Sycophancy in Agent Memory [32.49512092540906]
  MemSyco-Benchは、エージェントシステムにおけるメモリ誘起性を評価するためのベンチマークである。 MemSyco-Benchは、いつメモリが決定に影響を及ぼすか、どのように有効なメモリを使用するかを測定する。
  論文  参考訳（メタデータ） (2026-07-01T15:30:33Z)
• MEMPROBE: Probing Long-Term Agent Memory via Hidden User-State Recovery [58.64329475683699]
  我々は、長期記憶は監査可能な相互作用後のアーティファクトとして評価されるべきであると主張している。 我々は、メモリを備えたエージェントがシミュレーションユーザを支援するベンチマークであるMEMPROBEで、このビューをインスタンス化する。 私たちは、成功したアシストと回復可能なメモリが、異なる機能として振る舞うことに気付きました。
  論文  参考訳（メタデータ） (2026-06-23T13:52:46Z)
• 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)
• MemEvoBench: Benchmarking Memory MisEvolution in LLM Agents [78.95081012334116]
  永続メモリを持つ大規模言語モデル(LLM)は、相互作用の継続性とパーソナライゼーションを高めるが、新たな安全性リスクをもたらす。 汚染または偏りのある記憶蓄積は、異常な作用を引き起こす可能性がある。 MemeEvoBenchは、LLMエージェントのメモリ安全性を評価する最初のベンチマークである。
  論文  参考訳（メタデータ） (2026-04-17T07:29:52Z)
• MemMA: Coordinating the Memory Cycle through Multi-Agent Reasoning and In-Situ Self-Evolution [52.29303869050117]
  メモリ拡張LDMエージェントは、長期の相互作用をサポートするために外部メモリバンクを保持する。 MemMAはプラグアンドプレイのマルチエージェントフレームワークで、前方と後方の両方の経路に沿ってメモリサイクルを調整する。
  論文  参考訳（メタデータ） (2026-03-19T10:15:59Z)
• NextMem: Towards Latent Factual Memory for LLM-based Agents [58.35585202907478]
  NextMemは、自動回帰型オートエンコーダを使用して、潜時メモリを効率的に構築する、潜時ファクトメモリフレームワークである。 大規模な実験は、NextMemが優れたパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-02-26T14:35:27Z)

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。