論文の概要: MemoWM: How World Models Change What Agents Need to Remember

• arxiv url: http://arxiv.org/abs/2610.10778v1
• Date: Wed, 07 Oct 2026 18:33:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.633155
• Title: MemoWM: How World Models Change What Agents Need to Remember
• Title（参考訳）: MemoWM:世界モデルがどのようにエージェントが覚えるべきものを変えるか
• Abstract要約: MemoWMは、共有予測を使用して保持された情報を圧縮し、省略されたコンテンツを再構築するフレームワークである。 平均回答精度は42.42%で、最強のベースラインを2.62ポイント上回っている。 最もストレージ効率の良いベースラインであるMIRIXと比較して、平均的なエクスペリエンス固有のストレージを53.9%削減する。
• 参考スコア（独自算出の注目度）: 11.096302766016322
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-term agents face growing storage demands as they accumulate experience. World models capture reusable regularities that can reduce the information stored for each experience. We formulate the problem of memory allocation conditioned on a world model and introduce MemoWM, a framework that uses shared predictions to compress retained information and reconstruct omitted content. Its task-aware allocation rule balances the expected impact of reconstruction errors against storage cost, retaining information with downstream value beyond the predictive prior. Across five long-term agent-memory benchmarks, MemoWM achieves 42.42\% average answer accuracy, exceeding the strongest baseline by 2.62 percentage points, while reducing average experience-specific storage by 53.9\% relative to MIRIX, the most storage-efficient baseline. Further analysis shows that stronger world models reduce per-experience storage at comparable task quality. Accounting for model parameters reveals a trade-off between shared model capacity and recurring storage costs, with the capacity that minimizes total storage increasing as more interactions are retained. Our code is available at https://github.com/Feld-maxiu/MemoWM.
• Abstract（参考訳）: 長期エージェントは、経験を蓄積するにつれてストレージの需要が増大する。 世界モデルは再利用可能なレギュラリティをキャプチャし、各エクスペリエンスに格納された情報を削減します。 本稿では,世界モデルに基づくメモリ割り当ての問題を定式化し,共有予測を用いて保持情報を圧縮し,省略されたコンテンツを再構成するフレームワークであるMemoWMを紹介する。 そのタスク対応アロケーションルールは、ストレージコストに対する再構成エラーの期待される影響をバランスさせ、予測前よりも下流値の情報を保持します。 5つの長期エージェントメモリベンチマークで、MemoWMは42.42\%の平均回答精度を達成し、最強のベースラインを2.62ポイント上回った。 さらなる分析により、より強力な世界モデルは、同等のタスク品質で経験単位のストレージを減らすことが示されている。 モデルパラメータのアカウンティングは、共有モデルキャパシティと繰り返し発生するストレージコストのトレードオフを明らかにし、より多くのインタラクションが保持されるにつれて、ストレージ全体の容量が増加するのを最小化する。 私たちのコードはhttps://github.com/Feld-maxiu/MemoWM.comで利用可能です。

関連論文リスト

• ReLMem: Learning Recurrent Memory for Longitudinal EHR Modeling [32.37363729573032]
  Recurrent Longitudinal Memory (ReLMem, Recurrent Longitudinal Memory) は、固定容量の患者記憶を維持するためのフレームワークである。 我々は、繰り返し更新を通してタスク関連情報を保存するための多重粒度最適化戦略を開発した。 EHRに基づく薬物の予測では、ReLMemはフルヒストリーベースラインのF1スコアに近づき、平均的な保存履歴を97.1%削減した。
  論文  参考訳（メタデータ） (2026-09-29T13:43:43Z)
• Multi-Head Recurrent Memory Agents [6.282017902182834]
  マルチヘッドリカレントメモリは、ステージワイド選択更新戦略によって管理される独立したヘッドにメモリを分割する。 軽量なインスタンス化としてLHM-LRU(Least-Recently-Updated MHM)を導入する。
  論文  参考訳（メタデータ） (2026-07-01T22:38:54Z)
• MemRefine: LLM-Guided Compression for Long-Term Agent Memory [67.62350557461352]
  大規模言語モデル (LLM) エージェントは、長期的相互作用を通じて操作されることがますます期待されている。 相互作用が蓄積されるにつれて、メモリストアはバウンドなしで成長し、ストレージコストを増大させ、最も有用な証拠を収集することによって検索を低下させる冗長なエントリを埋める。 これは特に、ハードメモリの予算を持つリソース制約のあるプラットフォームに制限されている。 本稿では,既存のメモリストアを固定予算内に保持し,将来的なインタラクションに有用な情報を保存するための,ストレージ予算のメモリ管理を提案する。
  論文  参考訳（メタデータ） (2026-06-11T10:46:17Z)
• MemPO: Self-Memory Policy Optimization for Long-Horizon Agents [52.00646524941419]
  既存のメソッドは通常、外部メモリモジュールを導入し、格納されたメモリから関連する情報を検索する。 本稿では,自己記憶ポリシー最適化アルゴリズム(MemPO)を提案する。 MemPOはF1の絶対スコアが25.98%、SOTAベースラインが7.1%、トークン使用率が67.58%、73.12%である。
  論文  参考訳（メタデータ） (2026-02-28T14:43:02Z)
• NextMem: Towards Latent Factual Memory for LLM-based Agents [58.35585202907478]
  NextMemは、自動回帰型オートエンコーダを使用して、潜時メモリを効率的に構築する、潜時ファクトメモリフレームワークである。 大規模な実験は、NextMemが優れたパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-02-26T14:35:27Z)
• Neuromem: A Granular Decomposition of the Streaming Lifecycle in External Memory for LLMs [31.958776309037546]
  我々は、インターリーブされた挿入・検索プロトコルの下で外部メモリモジュールをベンチマークするスケーラブルなテストベッドであるNeuromemを紹介する。 メモリが丸ごと増大するにつれて、パフォーマンスは一般的に低下し、時間関連のクエリは依然として最も難しいカテゴリです。
  論文  参考訳（メタデータ） (2026-02-15T02:53:37Z)
• UMEM: Unified Memory Extraction and Management Framework for Generalizable Memory [46.87954895079213]
  自己進化型メモリは、大規模言語モデル(LLM)のトレーニング可能なパラメータとして機能する 既存の方法は、メモリ抽出を静的プロセスとして扱いながら、メモリ管理を優先的に最適化する。 本稿では,大言語モデルを協調的に最適化し,メモリの抽出と管理を同時に行うための統一メモリ抽出管理(UMEM)を提案する。
  論文  参考訳（メタデータ） (2026-02-11T08:58:41Z)
• MALLOC: Benchmarking the Memory-aware Long Sequence Compression for Large Sequential Recommendation [84.53415999381203]
  MALLOCは、メモリを意識したロングシーケンス圧縮のベンチマークである。 最先端のレコメンデータに統合され、再現性と評価のプラットフォームを可能にする。
  論文  参考訳（メタデータ） (2026-01-28T04:11:50Z)
• Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents [57.38404718635204]
  大規模言語モデル (LLM) エージェントは、有限コンテキストウィンドウによる長距離推論において基本的な制限に直面している。 既存のメソッドは通常、長期記憶(LTM)と短期記憶(STM)を独立したコンポーネントとして扱う。 本稿では,エージェントのポリシーに LTM と STM 管理を直接統合する統合フレームワークである Agentic Memory (AgeMem) を提案する。
  論文  参考訳（メタデータ） (2026-01-05T08:24:16Z)
• Stable Hadamard Memory: Revitalizing Memory-Augmented Agents for Reinforcement Learning [64.93848182403116]
  現在のディープラーニングメモリモデルは、部分的に観察可能で長期にわたる強化学習環境で苦労している。 本稿では,強化学習エージェントのための新しい記憶モデルであるStable Hadamard Memoryを紹介する。 我々の手法は、部分的に観測可能なベンチマークに挑戦する上で、最先端のメモリベースの手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-10-14T03:50:17Z)

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。