論文の概要: GenMem: Generative Symbolic Memory for Self-Evolving Harness

• arxiv url: http://arxiv.org/abs/2609.34633v1
• Date: Mon, 28 Sep 2026 08:50:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 11:47:09.743748
• Title: GenMem: Generative Symbolic Memory for Self-Evolving Harness
• Title（参考訳）: GenMem: 自己進化的ハーネスのための生成的シンボリックメモリ
• Abstract要約: 本稿では、メモリ管理を生成的シンボリックアドレッシングとして再構成するGenMemを提案する。 GenMemはマルチエージェントハーネス内にMemRetrieverとMemEvolverを結合する。 ALFWorld、WebShop、マルチホップQA、医学的推論、そして深い研究にまたがる実験は、強力なメモリ拡張ベースラインに対してGenMemを評価する。
• 参考スコア（独自算出の注目度）: 32.295019894928366
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-term memory supports the self-evolution of LLM agents by retaining experience and skills across tasks and enabling their retrieval, reuse, and revision in subsequent long-horizon decision-making. Yet existing memory management approaches remain limited to discriminative retrieval and to address the sparse, hierarchical, and highly redundant structure of reusable experience: only a small, task-dependent subset of trajectories and memories warrants retention, retrieval, or revision. Learning these operations is further complicated by sparse, delayed, and indirect task-level feedback, with weak supervision across the memory lifecycle. Moreover, continual memory evolution introduces an architectural tension as addressing invariance: stored experience is perpetually revised, yet the addressing interface consumed by learned retrieval policies must remain stable. To address, we present GenMem, which reformulates memory management as generative symbolic addressing. Its core mechanism is the Symbolic Identifier (SID), a multi-level discrete token tuple drawn from a Cartesian-product address space that factorizes a million-scale sparse memory space using fewer than one hundred discrete symbols. Instead of generating ever-changing raw content, the memory agent learns to generate SIDs, while memory evolution rewrites the payload at a fixed address without shifting the address itself. Architecturally, GenMem couples a MemRetriever and a MemEvolver within a multi-agent harness, trained via GRPO with dense process and outcome rewards with two-channels optimization. Under offline memory evolution, experiments spanning ALFWorld, WebShop, multi-hop QA, medical reasoning, and deep research evaluate GenMem against strong memory-augmented baselines...
• Abstract（参考訳）: 長期記憶は、LLMエージェントの自己進化をサポートし、タスク全体にわたる経験とスキルを維持し、その後の長期的意思決定におけるそれらの検索、再利用、修正を可能にする。 しかし、既存のメモリ管理アプローチは依然として差別的検索に限られており、再利用可能なエクスペリエンスのスパースで階層的で非常に冗長な構造に対処している。 これらの操作の学習は、スパース、遅延、間接的なタスクレベルのフィードバックによってさらに複雑になる。 さらに、連続記憶の進化は、不変性に対処するアーキテクチャ上の緊張をもたらす: 記憶されたエクスペリエンスは永久に修正されるが、学習された検索ポリシーによって消費されるアドレスインターフェースは安定していなければならない。 本稿では、メモリ管理を生成的シンボリックアドレッシングとして再構成するGenMemを提案する。 シンボリック・アイデンティティー (SID) は、100個未満の離散シンボルを用いて100万スケールのスパースメモリ空間を分解するカルト積アドレス空間から引き出された多層離散トークンタプルである。 メモリエージェントは、常に変化する生のコンテンツを生成する代わりに、SIDを生成することを学習し、メモリの進化は、アドレス自体をシフトすることなく、固定アドレスでペイロードを書き換える。 アーキテクチャ上、GenMemはMemRetrieverとMemEvolverをマルチエージェントハーネスに結合し、GRPO経由で密集したプロセスと2チャネル最適化による結果報酬でトレーニングする。 オフラインメモリの進化の中で、ALFWorld、WebShop、マルチホップQA、医学的推論、そして深い研究が、強力なメモリ拡張ベースラインに対してGenMemを評価する。

関連論文リスト

• 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)
• 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)
• AdMem: Advanced Memory for Task-solving Agents [13.611633561917513]
  大規模言語モデル(LLM)はツール使用エージェントとしての約束を示すが、知識の記憶、整理、再利用を必要とする長期的タスクには制限がある。 本稿では,短期記憶と長期記憶を組み合わせた2段階設計において,セマンティック,エピソード,手続き記憶を統合した統合的・自動記憶フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-05T00:11:57Z)
• 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)
• 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)
• Evo-Memory: Benchmarking LLM Agent Test-time Learning with Self-Evolving Memory [89.65731902036669]
  Evo-Memoryは、大規模言語モデル(LLM)エージェントで自己進化型メモリを評価するための、ストリーミングベンチマークとフレームワークである。 10以上の代表的なメモリモジュールを評価し、10種類の多ターンゴール指向およびシングルターン推論およびQAデータセットで評価した。
  論文  参考訳（メタデータ） (2025-11-25T21:08:07Z)
• MemGen: Weaving Generative Latent Memory for Self-Evolving Agents [57.1835920227202]
  本稿では,エージェントに人間的な認知機能を持たせる動的生成記憶フレームワークであるMemGenを提案する。 MemGenは、エージェントが推論を通して潜在記憶をリコールし、増大させ、記憶と認知の密接なサイクルを生み出すことを可能にする。
  論文  参考訳（メタデータ） (2025-09-29T12:33:13Z)
• 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。