論文の概要: ExperienceIndex: Artifact-Grounded Memory

• arxiv url: http://arxiv.org/abs/2610.10091v1
• Date: Wed, 07 Oct 2026 13:50:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.948639
• Title: ExperienceIndex: Artifact-Grounded Memory
• Title（参考訳）: ExperienceIndex: アーティファクトを取り巻くメモリ
• Abstract要約: 我々は、AIエージェントのための新しい体験層であるExperienceIndexを紹介し、事前の推論トレースに基づいて、アーティファクトに関する知識をキャプチャして再利用する。 ExperienceIndexは、一貫した利益をもたらし、回答の質を最大11.0ポイント引き上げ、オンラインのドルコストを最大50.5%削減する。
• 参考スコア（独自算出の注目度）: 79.77752884285185
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge-intensive tasks require answering many questions by reasoning about a shared corpus of artifacts (e.g., court cases, or scientific literature). As humans interact with these corpora, they naturally accumulate experiential knowledge about artifacts, enabling them to quickly identify the complete set of relevant artifacts for each new task. However, existing AI agents lack appropriate memory solutions to build or reuse such artifact-grounded experience, leading to lower answer quality and higher online cost. Existing memory solutions extract and reuse information from prior task-solving traces, but they primarily focus on user preferences, factual attributes, or abstract reasoning patterns rather than persistent artifact-specific knowledge. We introduce ExperienceIndex, a novel experience layer for AI agents that captures and reuses knowledge about artifacts based on prior reasoning traces. ExperienceIndex stores two complementary forms of experience: (i) single-artifact experiences that summarize an artifact's contribution to prior tasks and (ii) artifact-pair experiences that encode structural relationships discovered during past reasoning. Integrated as lightweight middleware, ExperienceIndex uses an experience retrieval mechanism to guide agents toward the complete set of relevant artifacts for new tasks, improving both answer quality and efficiency. Across diverse corpora and agentic solutions with different search frameworks, ExperienceIndex delivers consistent gains, raising answer quality by up to 11.0 points and reducing online dollar cost by up to 50.5%. We further demonstrate two benefits: (i) cross-task generalization, where experiences accumulated from text-to-SQL tasks transfer to factoid QA tasks over the same artifact corpus, and (ii) teacher-student learning, where experiences from a stronger model enable a weaker model to reach comparable performance.
• Abstract（参考訳）: 知識集約的なタスクは、共有されたアーティファクトのコーパス(例えば、訴訟や科学文献)について推論することで、多くの質問に答える必要がある。 人間はこれらのコーパスと相互作用するので、人工物に関する経験的な知識を自然に蓄積し、新しいタスクごとに関連する人工物の完全なセットを素早く特定することができる。 しかし、既存のAIエージェントには、そのようなアーティファクト的なエクスペリエンスの構築や再利用のための適切なメモリソリューションがないため、回答の品質が低くなり、オンラインコストも高くなる。 既存のメモリソリューションは、以前のタスク解決トレースから情報を抽出し再利用するが、それらは主に、永続的なアーティファクト固有の知識ではなく、ユーザの好み、事実的属性、抽象的な推論パターンに焦点を当てている。 我々は、AIエージェントのための新しい体験層であるExperienceIndexを紹介し、事前の推論トレースに基づいて、アーティファクトに関する知識をキャプチャして再利用する。 ExperienceIndexには2つの相補的なエクスペリエンスがある。 一 工芸品の先行業務への貢献を要約した単品体験 (II)過去の推論で発見された構造的関係を符号化したアーティファクトペア体験。 軽量ミドルウェアとして統合されたExperienceIndexでは、エージェントを新たなタスクに関連するアーティファクトの完全なセットへと誘導するエクスペリエンス検索機構を使用して、回答の品質と効率の両方を改善している。 さまざまな検索フレームワークによる多様なコーポラとエージェントソリューションにまたがって、ExperienceIndexは、一貫した利益をもたらし、回答の質を最大11.0ポイント引き上げ、オンラインのドルコストを最大50.5%削減する。 さらに2つの利点を示します。 i) クロスタスクの一般化: テキストからSQLまでのタスクから、同じアーティファクトコーパス上のファクトイドなQAタスクに移行した経験を蓄積し、 (II)教師学生の学習。より強いモデルから経験することで、より弱いモデルでも同等のパフォーマンスに達することができる。

関連論文リスト

• Rethinking Experience Utilization in Self-Evolving Language Model Agents [51.10420305280499]
  自己進化剤は過去の相互作用から経験を蓄積し再利用することで改善する。 本稿では,自己進化型エージェントの重要設計次元としての利用経験について考察する。
  論文  参考訳（メタデータ） (2026-05-08T02:48:49Z)
• Transferable Expertise for Autonomous Agents via Real-World Case-Based Learning [6.277598389891074]
  本稿では,過去のタスクから経験を再利用可能な知識資産に変換するケースベースの学習フレームワークを提案する。 事前訓練された知識や静的なプロンプトに基づく手法とは異なり、我々のフレームワークはタスク関連知識の抽出と再利用に重点を置いている。
  論文  参考訳（メタデータ） (2026-04-14T13:31:47Z)
• Exploring the Generalizability of Factual Hallucination Mitigation via Enhancing Precise Knowledge Utilization [49.95746521480879]
  PKUE(Precise Knowledge utilization Enhancement, 精密知識利用促進)を導入し, 正確かつ単純な事実質問に対する自己生成応答のモデルを微調整する。 大規模な実験により、PKUEはLLM全体の性能を著しく改善することが示された。
  論文  参考訳（メタデータ） (2025-02-26T13:34:52Z)
• Reverse Probing: Evaluating Knowledge Transfer via Finetuned Task Embeddings for Coreference Resolution [23.375053899418504]
  複雑なソースタスクから凍結表現を探索する代わりに、複数の単純なソースタスクから1つのターゲットタスクへの埋め込みの有効性について検討する。 この結果,タスクの埋め込みは,意味的類似性タスクが最も有益であることが示され,コア参照の解決に大いに有用であることが判明した。
  論文  参考訳（メタデータ） (2025-01-31T17:12:53Z)
• LIBERO: Benchmarking Knowledge Transfer for Lifelong Robot Learning [64.55001982176226]
  LIBEROは、ロボット操作のための生涯学習の新しいベンチマークである。 宣言的知識、手続き的知識、あるいは両者の混在を効率的に伝達する方法に焦点を当てる。 我々は、無限に多くのタスクを生成できる拡張可能な手続き生成パイプラインを開発した。
  論文  参考訳（メタデータ） (2023-06-05T23:32:26Z)
• Read and Reap the Rewards: Learning to Play Atari with the Help of Instruction Manuals [69.76245723797368]
  Read and Rewardは、Atariゲーム開発者がリリースしたマニュアルを読むことで、Atariゲーム上のRLアルゴリズムを高速化する。 各種RLアルゴリズムは,設計支援による性能向上とトレーニング速度の向上を実現している。
  論文  参考訳（メタデータ） (2023-02-09T05:47:03Z)
• A Comprehensive Survey on Knowledge Graph Entity Alignment via Representation Learning [39.401580902256626]
  本稿では,代表的エンティティアライメント手法に関するチュートリアル型調査を行う。 既存のベンチマークデータセットの制限に対処する2つのデータセットを提案する。 提案するデータセットを用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2021-03-28T06:23:48Z)

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。