論文の概要: EpiCon: Collective Agent Learning through Co-Evolving Multimodal Memory

• arxiv url: http://arxiv.org/abs/2609.37923v1
• Date: Tue, 29 Sep 2026 16:16:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.731006
• Title: EpiCon: Collective Agent Learning through Co-Evolving Multimodal Memory
• Title（参考訳）: EpiCon: マルチモーダルメモリの共進化による集合的エージェント学習
• Abstract要約: EpiConは、エージェント集合学習のための共有マルチモーダルメモリフレームワークである。 EpiConは質問レベルのメモリ進化を永続的なエクスペリエンスバンクにリンクする。 我々は4つのマルチモーダルタスクドメインにまたがる11のベンチマークでEpiConを評価した。
• 参考スコア（独自算出の注目度）: 55.99641987710143
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agents can learn from past executions, but enabling different agents to reuse and build on one another's experience remains challenging. We introduce EpiCon, a shared multimodal memory framework for agent collective learning without updating host model parameters. EpiCon links question-level memory evolution to a persistent experience bank through two independently trained 2B models: a memory controller and a tree self-organizer. The controller jointly refines textual guidance and visual evidence across attempts and selectively includes visual memory. The self-organizer consolidates lessons hierarchically and retrieves experience and rules for new problems. We evaluate EpiCon on eleven benchmarks spanning four multimodal task domains, using two harnesses and multiple backbones. A frozen bank improves other systems even with a single solving attempt. A second harness raises the original system's macro-average score by 2.6 points across eleven benchmarks. Across four host configurations, EpiCon improves macro-average scores by 1.7 to 4.9 points over No Memory and reduces memory-operation time by 67\% to 74\% relative to backbone-sized memory models.
• Abstract（参考訳）: エージェントは過去の実行から学ぶことができるが、異なるエージェントがお互いの経験を再利用して構築できることは、依然として困難である。 ホストモデルパラメータを更新することなく、エージェント集合学習のための共有マルチモーダルメモリフレームワークであるEpiConを紹介する。 EpiConは、メモリコントローラとツリー自己組織化器という2つの独立的に訓練された2Bモデルを通じて、質問レベルのメモリ進化を永続的なエクスペリエンスバンクにリンクする。 コントローラは、試み全体にわたるテキストガイダンスと視覚的エビデンスを共同で洗練し、視覚記憶を選択的に含む。 自己組織化者は、階層的にレッスンを統合し、新しい問題に対する経験とルールを回収する。 マルチモーダルタスクドメインにまたがる11のベンチマークに対して,EpiConを2つのハーネスと複数のバックボーンを用いて評価した。 凍結された銀行は、単一の解決試みでも他のシステムを改善する。 第2のハーネスは、オリジナルのシステムのマクロ平均スコアを11のベンチマークで2.6ポイント上げる。 4つのホスト構成で、EpiConはマクロ平均スコアをNo Memory上で1.7から4.9ポイント改善し、バックボーンサイズのメモリモデルと比較して67\%から74\%に削減する。

関連論文リスト

• Memory as a Controlled Process: Learned Adaptive Memory Management for LLM Agents [72.3752981234916]
  大きな言語モデル(LLM)エージェントは、タスク間の経験を蓄積するために、外部メモリシステムに依存している。 メモリ操作をマルコフ決定プロセスとしてモデル化するフレームワークである制御プロセス(MemCon)としてメモリを提示する。 MemConは、複数のメモリベースラインのタスク成功率を最大15.2ポイント上回り、トークン消費量を5-20%削減している。
  論文  参考訳（メタデータ） (2026-07-15T08:32:40Z)
• SubtleMemory: A Benchmark for Fine-Grained Relational Memory Discrimination in Long-Horizon AI Agents [38.778004697710855]
  本稿では,長期にわたるAIエージェントにおける微粒なリレーショナルメモリ識別のためのベンチマークであるSubtleMemoryを紹介する。 我々は,6つのスタンドアロンメモリシステム,ネイティブメモリモジュールを持つ2つのClawスタイルエージェント,プラグインメモリモジュールを持つ3つのClawスタイルエージェントを評価した。
  論文  参考訳（メタデータ） (2026-06-04T06:43:11Z)
• WorldMemArena: Evaluating Multimodal Agent Memory Through Action-World Interaction [72.1620416874118]
  マルチモーダルな言語モデルは、長距離エージェントとしてますます多くデプロイされている。 既存のベンチマークは、静的対話上のリコールを測定し、メモリを1つのタスクの精度に分解し、キャプションに対する視覚的な観察を減らす。 マルチモーダルエージェントメモリを,観測可能な4段階ライフサイクルを持つアクションワールドインタラクションループとして定式化する。
  論文  参考訳（メタデータ） (2026-05-28T04:27:20Z)
• MemQ: Integrating Q-Learning into Self-Evolving Memory Agents over Provenance DAGs [47.66730296440261]
  我々は,新たなメモリが生成されるたびに記憶が取得されたことを記録した証明DAGを通じて,クレジットを後方に伝播するMemQを紹介した。 6つのベンチマークで、MemQは、一般化評価とランタイム学習の6つすべてで最高成功率を達成した。 さらに、$と$がEC-MDP構造とどのように相互作用するかを研究し、パラメータ選択と将来の研究の原則的なガイダンスを提供する。
  論文  参考訳（メタデータ） (2026-05-08T18:30:24Z)
• 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)
• Remember Me, Refine Me: A Dynamic Procedural Memory Framework for Experience-Driven Agent Evolution [52.76038908826961]
  我々は静的ストレージと動的推論のギャップを埋めるため、$textbfReMe$ ($textitRemember Me, Refine Me$)を提案する。 ReMeは3つのメカニズムを通じてメモリライフサイクルを革新する: $textitmulti-faceted distillation$, きめ細かい経験を抽出する。 BFCL-V3とAppWorldの実験では、ReMeが新しい最先端のエージェントメモリシステムを確立している。
  論文  参考訳（メタデータ） (2025-12-11T14:40:01Z)
• MemVerse: Multimodal Memory for Lifelong Learning Agents [35.218549149012844]
  我々は,モデルに依存しないプラグアンドプレイメモリフレームワークであるMemVerseを紹介した。 MemVerseは階層的検索ベースのメモリで高速パラメトリックリコールを行う。 スケーラブルで適応的なマルチモーダルインテリジェンスを実現する。
  論文  参考訳（メタデータ） (2025-12-03T10:06:14Z)

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。