論文の概要: Capability-Driven Self-Evolution of Agent Memory

• arxiv url: http://arxiv.org/abs/2610.06361v1
• Date: Mon, 05 Oct 2026 14:00:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 08:53:01.315818
• Title: Capability-Driven Self-Evolution of Agent Memory
• Title（参考訳）: 能力駆動型エージェントメモリの自己進化
• Abstract要約: 機能駆動型進化を導入し、全体的な性能から個々の機能範囲まで探索ガイダンスを拡張した。 依存関係を意識した機能選択を使用して、クロスキャパビリティのメリットのあるターゲットを優先順位付けするPrisMemを提案する。 実験の結果、PrisMemはBEAM-1MとLongMemEval-Mの10.54ポイントと7.83ポイントで最強のベースラインを上回った。
• 参考スコア（独自算出の注目度）: 11.666371691806503
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Memory self-evolution uses task feedback to iteratively improve executable memory programs that store and retrieve information from past interactions. Existing approaches typically adopt holistic evolution, deriving revision directions from mixed feedback and judging progress by overall performance. This can obscure optimization directions and hide capability-specific gains offset by regressions elsewhere, leaving promising directions underexplored. We introduce capability-driven evolution, which extends search guidance from overall performance to individual capability dimensions, preserving promising revisions and expanding exploration beyond the boundaries of holistic evolution. We propose PrisMem, which uses dependency-aware capability selection to prioritize targets with potential cross-capability benefits and history-guided diagnosis to refine capability specialists. Trace-guided integration compares evaluated programs on paired differential cases, using their behavioral differences to consolidate complementary gains into a unified memory program. Experiments show that PrisMem outperforms the strongest baselines by 10.54 and 7.83 percentage points on BEAM-1M and LongMemEval-M, respectively, demonstrating its effectiveness on million-token histories.
• Abstract（参考訳）: メモリ自己進化(Memory self-evolution)は、タスクフィードバックを使用して、過去のインタラクションから情報を保存および取得する実行可能なメモリプログラムを反復的に改善する。 既存のアプローチでは、一般的に全体論的な進化を採用し、修正方向を混合フィードバックから導き、全体的なパフォーマンスによって進捗を判断する。 これは最適化の方向性を曖昧にし、他の部分でレグレッションによってオフセットされる機能固有のゲインを隠蔽し、有望な方向性を過小評価する。 機能駆動進化を導入し、全体的な性能から個々の能力次元まで探索ガイダンスを拡張し、将来性のあるリビジョンを保存し、総合的な進化の境界を越えて探索を拡大する。 そこで我々は,PrisMemを提案する。PrisMemは依存性認識機能の選択を利用して,クロスキャパビリティの潜在的なメリットと,機能専門家を洗練するための履歴誘導診断をターゲットに優先順位付けする。 トレース誘導統合(Trace-guided Integration)は、相補的なゲインを統一メモリプログラムに統合するために、その振る舞いの違いを用いて、ペア化された差分ケースの評価プログラムを比較する。 実験の結果、PrisMemはBEAM-1MとLongMemEval-Mの10.54ポイントと7.83ポイントで最強のベースラインを上回り、100万年の歴史においてその効果を示した。

関連論文リスト

• Self-Evolving Memory for Generative Recommendation [100.15207958893029]
  生成的レコメンデーションは、パーソナライズされたレコメンデーションのための有望なエンドツーエンドパラダイムとして登場した。 継続的再訓練や蒸留に基づく適応といった既存の進化戦略は、共有モデルパラメータを直接更新する。 本稿では,異種行動パターン間の効果的な進化を実現することを目的とした,自己進化型メモリパラダイムを提案する。
  論文  参考訳（メタデータ） (2026-09-14T14:00:38Z)
• Learning How and What to Memorize: Cognition-Inspired Two-Stage Optimization for Evolving Memory [53.8372503928207]
  大規模言語モデル(LLM)エージェントは、一貫したパーソナライゼーションのために長期のユーザメモリを必要とする。 既存のメモリシステムは、主に静的で手作りの更新ルールに依存している。 MemCoEは認知にインスパイアされた2段階最適化フレームワークで、どのようにメモリを整理し、どの情報を更新すべきかを学ぶ。
  論文  参考訳（メタデータ） (2026-05-01T14:45:20Z)
• AMemGym: Interactive Memory Benchmarking for Assistants in Long-Horizon Conversations [61.6579785305668]
  AMemGymは、メモリ駆動型パーソナライゼーションのためのオンライン評価と最適化を可能にする対話型環境である。 我々のフレームワークは、対話エージェントのメモリ能力を向上するためのスケーラブルで診断に富んだ環境を提供する。
  論文  参考訳（メタデータ） (2026-03-02T15:15:11Z)
• Fine-Mem: Fine-Grained Feedback Alignment for Long-Horizon Memory Management [63.48041801851891]
  Fine-Memは、きめ細かいフィードバックアライメントのために設計された統一されたフレームワークである。 MemalphaとMemoryAgentBenchの実験は、Fin-Memが強いベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2026-01-13T11:06:17Z)
• 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)
• How Memory Management Impacts LLM Agents: An Empirical Study of Experience-Following Behavior [65.70584076918679]
  メモリは、大きな言語モデル(LLM)ベースのエージェントにおいて重要なコンポーネントである。 本稿では,メモリ管理の選択がLLMエージェントの行動,特に長期的パフォーマンスに与える影響について検討する。
  論文  参考訳（メタデータ） (2025-05-21T22:35:01Z)
• Differentially Evolving Memory Ensembles: Pareto Optimization based on Computational Intelligence for Embedded Memories on a System Level [2.1094836466667606]
  本稿では,計算機知能を用いてメモリシステムの最適化問題を解く方法について述べる。 私たちのフレームワークは、小さなリソースフットプリントを維持しながら、数千のメモリのシステムの最適化を可能にします。
  論文  参考訳（メタデータ） (2021-09-20T12:53:08Z)

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。