論文の概要: MemCo: Memory-Centric Collaboration for Generalizing LLM Agents to Unseen Environments
- arxiv url: http://arxiv.org/abs/2610.07376v1
- Date: Mon, 05 Oct 2026 20:46:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.657992
- Title: MemCo: Memory-Centric Collaboration for Generalizing LLM Agents to Unseen Environments
- Title（参考訳）: MemCo: LLMエージェントを目に見えない環境に一般化するためのメモリ中心コラボレーション
- Abstract要約: 大規模言語モデル(LLM)エージェントは、対話的な環境でますます運用される。
既存の共有メモリアプローチは、タスクや環境にまたがってエピソード記憶をプールすることで、孤立したエクスペリエンスを軽減する。
MemCoは、エージェントを見えないインタラクティブ環境に一般化するためのメモリ中心のコラボレーションフレームワークである。
- 参考スコア（独自算出の注目度）: 35.08595065006254
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language model (LLM) agents increasingly operate in interactive environments, where they need to make sequential decisions through observation, action, and feedback. Although memory can help agents reuse experience, existing work designs memory in isolation, where collecting enough trajectories to populate it is expensive. Existing shared-memory approaches mitigate isolated experience by pooling episodic memories across tasks and environments. However, retrieving shared memory is challenged by the granularity, where retrieved memories can be either too specific to preserve current grounding or too coarse to support the next action. In this work, we propose MemCo, a memory-centric collaboration framework for generalizing LLM agents to unseen interactive environments. It maintains complementary local and global memory spaces, preserving environment-specific details locally while promoting transferable workflows induced from local trajectories to global memory. During online interaction, MemCo routes relevant local and global memories in terms of the agent's current state and decision phase, enabling agents to reuse the experience of other agents without blindly transferring environment-specific details. Experiments on interactive decision-making benchmarks show that MemCo improves task success and reduces redundant exploration compared with isolate-memory and shared-memory baselines. Our code is available at https://github.com/SYannL/nvdamas.
- Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、観察、行動、フィードバックを通じてシーケンシャルな決定を行う必要がある、インタラクティブな環境でますます運用される。
メモリはエージェントが経験を再利用するのに役立ちますが、既存のワークデザインは独立してメモリを設計します。
既存の共有メモリアプローチは、タスクや環境にまたがってエピソード記憶をプールすることで、孤立したエクスペリエンスを軽減する。
しかし、共有メモリの取得は、検索されたメモリが現在の接地を維持するために特殊すぎるか、次のアクションをサポートするために粗いかのいずれかである粒度によって困難になる。
本研究では,LLMエージェントを対話環境に一般化するためのメモリ中心の協調フレームワークであるMemCoを提案する。
ローカルなメモリ空間とグローバルなメモリ空間を維持し、環境固有の詳細をローカルに保存し、ローカルなトラジェクトリからグローバルなメモリへの転送可能なワークフローを促進する。
オンラインインタラクションの間、MemCoはエージェントの現在の状態と決定フェーズの観点から、ローカルおよびグローバルなメモリをルートし、エージェントは環境固有の詳細を盲目的に転送することなく、他のエージェントの経験を再利用できる。
インタラクティブな意思決定ベンチマークの実験によると、MemCoはタスクの成功を改善し、分離メモリや共有メモリのベースラインと比較して冗長な探索を減らす。
私たちのコードはhttps://github.com/SYannL/nvdamas.comで公開されています。
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) - Learning to Retrieve: Dual-Level Long-Term Memory for Text-to-SQL Agents [63.38073530162493]
長期記憶は、エージェントが過去の経験を再利用するのに役立つ。
静的メソッドは、下流ユーティリティを最適化しない固定された類似性に依存します。
動的マルチ水平メモリ検索フレームワークであるMERITを提案する。
論文 参考訳（メタデータ） (2026-05-30T05:44:34Z) - Memory-R2: Fair Credit Assignment for Long-Horizon Memory-Augmented LLM Agents [27.2861945963127]
メモリ拡張LDMエージェントは、有限コンテキストウィンドウを超えて拡張されるインタラクションを可能にする。
マルチセッション環境における強化学習によるエージェントの育成は困難である。
メモリ拡張LDMエージェントのトレーニングフレームワークであるMemory-R2を紹介する。
論文 参考訳（メタデータ） (2026-05-20T22:02:00Z) - MemCollab: Cross-Agent Memory Collaboration via Contrastive Trajectory Distillation [16.57908722474221]
大規模言語モデル(LLM)ベースのエージェントは、過去の問題解決経験から知識を再利用するためのメモリメカニズムに依存している。
既存のアプローチは、通常、エージェントごとの方法でメモリを構築し、格納された知識を単一のモデルの推論スタイルに密結合する。
その結果,エージェント間でのメモリ転送は,タスク関連知識をエージェント固有のバイアスと結び付けるなど,パフォーマンスを低下させることがわかった。
我々は,同一タスク上で異なるエージェントが生成する軌道の推論を対比することにより,エージェント非依存メモリを構成する協調メモリフレームワークであるMemCollabを提案する。
論文 参考訳（メタデータ） (2026-03-24T14:05:47Z) - MemGround: Long-Term Memory Evaluation Kit for Large Language Models in Gamified Scenarios [33.8882826707344]
MemGroundは、リッチでゲーミフィケーションされたインタラクティブシナリオを基盤とした、厳格な長期メモリベンチマークである。
メモリ利用と行動軌跡の両方を包括的に定量化するために,多次元計量スイートを提案する。
論文 参考訳（メタデータ） (2026-03-23T02:57:39Z) - 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) - MemRec: Collaborative Memory-Augmented Agentic Recommender System [57.548438733740504]
我々はメモリ管理から推論をアーキテクチャ的に分離するフレームワークであるMemRecを提案する。
MemRecは動的コラボレーティブメモリグラフを管理する専用のLM_Memを導入した。
4つのベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-01-13T18:51:16Z) - 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) - MemBench: Towards More Comprehensive Evaluation on the Memory of LLM-based Agents [26.647812147336538]
LLMをベースとしたエージェントのメモリ能力を評価するため,より包括的なデータセットとベンチマークを構築した。
本データセットは,現実記憶と反射記憶を異なるレベルに含み,様々な対話的シナリオとして参加と観察を提案する。
本データセットに基づいて,LLMをベースとしたエージェントのメモリ能力を評価するベンチマーク,MemBenchを提案する。
論文 参考訳（メタデータ） (2025-06-20T10:09:23Z)
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。