論文の概要: When Old Facts Return: Re-Reads, Reverts, and the Limits of Temporal Memory

• arxiv url: http://arxiv.org/abs/2610.07715v1
• Date: Tue, 06 Oct 2026 04:09:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.794908
• Title: When Old Facts Return: Re-Reads, Reverts, and the Limits of Temporal Memory
• Title（参考訳）: 古いファクトが返ってくるとき:リ読み取り、リターン、時間記憶の限界
• Abstract要約: メモリシステムは、同じ古いステートメントが再び現れるためだけに、古い値を取り除き、後に復元することができる。 古いソースの再読み込みと真のリバートは、反対の現在の回答を必要としながら、同じ観測された値列を生成することができる。 ソフトウェア修正から抽出した130個の原子遷移の曖昧さについて検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A memory system can retire an obsolete value and later restore it merely because the same old statement appears again. A re-read of an old source and a genuine revert can produce the same observed sequence of values while requiring opposite current answers. We study this ambiguity on 130 extractor-selected atomic transitions derived from software fixes. In the ordinary transition condition, identity-based temporal memory reaches 98.5% model-judged accuracy with zero observed errors under a literal stale-value proxy. Appending a verbatim re-read of the old statement reduces accuracy to 10.8% and raises the stale-value rate to 88.5%. A guard that refuses to reactivate a previously retired value restores accuracy to 97.7% and reduces that rate to 0.8% in this constructed re-read condition. The guard cannot also recognize a legitimate revert without additional change provenance. Two supporting studies examine exposing retired history to the answer model and supplying current source for changed behavior. An exploratory extraction study over 707 software fixes provides scope context, not a universal coverage estimate. The design implication is to distinguish an observation of a value from evidence that the value changed. Selected inputs, aggregate-only answer records, related-family judges and a post-failure guard evaluation limit the conclusions to the retained experiments.
• Abstract（参考訳）: メモリシステムは、同じ古いステートメントが再び現れるためだけに、古い値を取り除き、後に復元することができる。 古いソースの再読み込みと真のリバートは、反対の現在の回答を必要としながら、同じ観測された値列を生成することができる。 ソフトウェア修正から抽出した130個の原子遷移の曖昧さについて検討する。 通常の遷移条件では、単位ベースの時間記憶は98.5%のモデルジャッジドの精度に達し、観測誤差はゼロである。 古い文の再読出は精度を10.8%に下げ、固定値レートを88.5%に引き上げる。 以前の値の再活性化を拒むガードは、精度を97.7%に回復し、この構築された再読解条件では0.8%に低下させる。 警備員は、追加の変更がなければ、正当な逆転を認識できない。 2つの支援研究は、解答モデルに引退履歴を暴露し、変化した行動に電流源を供給する。 707以上のソフトウェア修正に関する探索的抽出研究は、普遍的なカバレッジ推定ではなく、スコープコンテキストを提供する。 設計上の意味は、価値が変化した証拠から価値の観察を区別することである。 選択されたインプット、集計のみの回答記録、関連する家庭判事、障害後ガード評価は、その結論を保持実験に限定する。

関連論文リスト

• The Right Memory in the Wrong Context: Verifying Retrieval Admissibility in Long-Term Agent Memory [5.138725534209034]
  長期記憶エージェントは、他のプリンシパルに属し、ポリシーに違反したり、ライフサイクル状態を反映したりするため、現在の要求に対して許容できない情報を検索することができる。 本稿では,各メモリクエリ対に3つの状態(許容,不許容,未解決)の1つを割り当てる検索許容検証フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-10-05T19:47:43Z)
• DRSR: Learning Set-Level Deletion Risk for Efficient Long-Horizon Agents [55.84813053778976]
  ロングホライゾン言語モデルエージェントは、現在の決定と関係が変化する推論の痕跡、ツール交換、観察を蓄積する。 直接セットリスクスコアは、削除セットの選択としてエージェント履歴圧縮リスクを定式化する。 メカニカル・アナリシスとアブリケーションは、決定に制約のある関係、保持されたコンテキスト情報、ペア・インタラクション、および棄権がそれぞれ信頼できるプルーニングに寄与していることを示している。
  論文  参考訳（メタデータ） (2026-09-23T03:06:01Z)
• What Eviction Destroys: A Restore-Counterfactual Audit of Forgetting in Agent Memory [1.6558929815405155]
  我々は,質問ごとのペアによる介入であるリストア対策を導入し,質問のゴールドエビデンスをリードタイムの文脈で再記録する。 我々は,LongMemEval-SにおけるFIFO,ランダム,冗長,LLMの重要性を3つの予算と2つの検索条件で評価した。
  論文  参考訳（メタデータ） (2026-09-08T05:48:10Z)
• Provenance Guided Incremental Learning Under Evolving Concept Definitions [0.0]
  本稿では,ルールによる概念シフトについて検討し,ターゲット定義概念を直接修正する。 我々は、連続した概念定義を構造化されたルールデルタにコンパイルする証明誘導型インクリメンタルラーニングフレームワークを導入する。 また、金融、人口統計、サイバーセキュリティ、グラフ構造化データにしきい値、述語、論理、リレーショナル、リレーショナル、リレーショナル、混合概念の修正を加えたルールシフトベンチも導入しています。
  論文  参考訳（メタデータ） (2026-08-24T23:03:10Z)
• When Memory Updates but Behavior Does Not: Repairing Implicit Stale Dependencies in Personalized Agent Responses [1.5770673503612611]
  メモリ拡張されたエージェントは、ユーザの格納された状態が時代遅れであることを知ることができ、なおも古い値を計画する。 私たちは1つの構造的コントリビュータを特定します。 ドラフトアンコールによる検証は、応答が何を言っているかをチェックします。
  論文  参考訳（メタデータ） (2026-08-03T02:49:08Z)
• Think Again or Think Longer? Selective Verification for Budget-Aware Reasoning [15.231928045776293]
  sevraは、凍結したソルバの初期応答を保存するか、アクティブな検証を実行するかを決定するサーブレイヤーコントローラである。 数学では、選択的検証は76.3%の精度で行われ、検証は常に75.5%である。 CommonsenseQAでは、常時オンの検証が問題になり、Self-Consistency@5では、実現したトークンコストの約5倍の精度が向上する。
  論文  参考訳（メタデータ） (2026-06-18T05:25:43Z)
• Closing the Loop on Latent Reasoning via Test-Time Reconstruction [45.08180971427891]
  最近の研究は、中間推論を自然言語のトレースから潜時あるいはキャッシュレベルの表現に移行している。 本稿では,クエリ自体を参照としてループをクローズする自己教師型テストタイムトレーニング手法であるRELATを提案する。 ReLATは、単一モデル推論、テキストベースのコラボレーション、オープンループラテントコラボレーション、代替テストタイムトレーニング目標よりも一貫して改善されていることを示す。
  論文  参考訳（メタデータ） (2026-06-04T14:54:40Z)
• Belief Memory: Agent Memory Under Partial Observability [56.41506249481312]
  本稿では,メモリパラダイムを観測毎に1つの結論にシフトし,その確率で複数の結論を導出するBeliefMemを提案する。 BeliefMemは決定論的パラダイムが破棄されるという不確実性を保ち、エージェントが高い信頼を持って行動することを可能にする。 LoCoMoとALFWorldベンチマークの実証的な評価は、限られたデータであっても、BeliefMemが最高の平均パフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2026-05-07T02:03:13Z)
• ImplicitMemBench: Measuring Unconscious Behavioral Adaptation in Large Language Models [60.14219417402433]
  LLMエージェントの既存のメモリベンチマークは、事実の明示的なリコールを評価するが、意識的な検索なしに、経験が自動的な振る舞いになる暗黙の記憶を見落としている。 IndicitMemBenchは、非宣言的メモリの標準的な認知科学のアカウントから引き出された3つの構造を通して暗黙的メモリを評価する最初の体系的なベンチマークである。 当社の300イテムスイートでは,初動採点を備えたLearning/Priming-Interfere-Testプロトコルを統一しています。
  論文  参考訳（メタデータ） (2026-04-09T10:26:32Z)

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。