論文の概要: Use and Disuse: Intent-Structured Experience Consolidation for Memory and Learning in LLM Agents

• arxiv url: http://arxiv.org/abs/2610.12124v1
• Date: Thu, 08 Oct 2026 15:16:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.112382
• Title: Use and Disuse: Intent-Structured Experience Consolidation for Memory and Learning in LLM Agents
• Title（参考訳）: 使用と使い捨て:LLMエージェントにおける記憶と学習のためのインテント構造化体験統合
• Abstract要約: Hippocamは階層的な記憶と継続的な学習アーキテクチャである。 認知過程は、現在の目標に関連する情報を選択的に保持し、長期記憶は、反復的な統合を通じて徐々に形成される。 作業コンテキスト、長期記憶、知識蓄積、スキル学習を、継続的に進化する1つの経験的プロセスに結びつけます。
• 参考スコア（独自算出の注目度）: 4.089528423307136
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The evolution of Large Language Model agents from single-task execution to long-term autonomous operation highlights the critical challenge of transforming continuous experiences into reusable knowledge. To address this, we propose Hippocam, a hierarchical memory and continual learning architecture. Hippocam draws inspiration from two characteristics of human memory: cognitive processes selectively maintain information relevant to current goals, while long-term memories form gradually through repeated consolidation. Accordingly, Hippocam structures an agent's ongoing work as nested intents. The active context remains centered on the current intent, while completed intents are consolidated into the task-relevant outcomes and state needed for subsequent work, rather than carrying forward their full working details. Concurrently, a recursive prefix consolidation mechanism repeatedly consolidates earlier history, causing long-unused experiences to become increasingly abstract. Original interactions are preserved, allowing the agent to progressively recover finer-grained details through the hierarchy and stop once sufficient information is available. Crucially, when past experiences are recalled and reintegrated into active work, they undergo subsequent consolidation alongside new experiences, thereby being reinforced, supplemented, and updated. Through this memory dynamic of use and disuse, Hippocam connects working context, long-term memory, knowledge accumulation, and skill learning within a single continuously evolving experiential process. This enables agents to learn and evolve capabilities through their own experiences without parameter updates.
• Abstract（参考訳）: 大規模言語モデルエージェントの単一タスク実行から長期自律運用への進化は、継続的エクスペリエンスを再利用可能な知識に変換するという重要な課題を浮き彫りにする。 これを解決するために,階層型メモリと連続学習アーキテクチャであるHippocamを提案する。 認知過程は、現在の目標に関連する情報を選択的に保持し、長期記憶は、反復的な統合を通じて徐々に形成される。 したがって、ヒッポカムは、エージェントの進行中の作業をネストされた意図として構成する。 アクティブなコンテキストは、現在の意図に集中しているが、完了した意図は、完全な作業の詳細を前進させるのではなく、その後の作業に必要なタスク関連の結果と状態に統合される。 同時に、再帰的な接頭辞統合機構は、過去の歴史を何度も統合し、長い未使用経験がますます抽象化されていく。 元の相互作用は保存され、エージェントは階層を通してより細かい詳細を徐々に回復し、十分な情報が手に入ると停止する。 重要なことは、過去の経験がリコールされ、アクティブな仕事に再統合されると、彼らは新しい経験と共に統合され、強化され、補充され、更新される。 使用と使い捨てのこのメモリダイナミクスを通じて、Hippocamは、連続的に進化する経験過程の中で、作業コンテキスト、長期記憶、知識蓄積、スキル学習を接続する。 これにより、エージェントはパラメータを更新することなく、自身のエクスペリエンスを通じて機能を学習し、進化させることができる。

関連論文リスト

• Memory Control Signals Emerge Before Action in Long Horizon Agents [55.84813053778976]
  各エージェントアクションの直前に隠された状態を調べ、圧縮とリコールの要求がモデルの内部表現にすでにエンコードされていることを確認する。 本研究では,状態誘導圧縮と外部エビデンス検索を組み合わせたPreaction Memory with Evidence Retrieval (PaMER)を提案する。
  論文  参考訳（メタデータ） (2026-09-23T03:23:34Z)
• MobileMem: Learning from a Year of Mobile Experiences [68.03053174295734]
  デバイス上の長期記憶を研究するためのベンチマークおよびフレームワークであるMobileMemを紹介する。 MobileMemは、ユーザ・アプリ・セッションからコヒーレントで時間的に一貫したロングホライゾン・トラジェクトリを構築するために、ナレッジグラウンドのパイプラインを使用している。 特にMobileMemは、エージェントが過去を思い出し、現在を理解し、未来に適応することを可能にする。
  論文  参考訳（メタデータ） (2026-08-11T14:09:51Z)
• Experience Makes Skillful: Enabling Generalizable Medical Agent Reasoning via Self-Evolving Skill Memory [43.487137083499704]
  SkeMexはデプロイ後のフレームワークで、モデルの重みを更新することなく、スキルベースのメモリを通じて医療エージェントを改善する。 情報的相互作用の軌跡を、再利用可能な手続き的知識を符号化する構造化されたスキルに蒸留する。 環境フィードバックからコンテキスト依存のユーティリティを推定し、バリューアウェアな検索とリポジトリガバナンスのガイドに使用します。
  論文  参考訳（メタデータ） (2026-06-08T11:37:01Z)
• SAM: State-Adaptive Memory for Long-Horizon Reasoning Agent [51.274445160155864]
  ロングホライゾンのエージェント推論は、思考、ツールコール、観察、部分的な結論を含む長い相互作用履歴を通して行動するために大きな言語モデルを必要とする。 既存のアプローチでは、インタラクション履歴の切り抜き、短いサロゲートに圧縮、あるいは再利用のために選択した部分を取得することで、この問題に対処している。 我々は、インテント駆動リコールのための生のトラジェクトリページを保持しながら、継続的なインタラクションをコンパクトなメモリキューに統合するスタンドアロンフレームワークであるState-Adaptive Memoryを提案する。
  論文  参考訳（メタデータ） (2026-05-23T08:37:16Z)
• MemVerse: Multimodal Memory for Lifelong Learning Agents [35.218549149012844]
  我々は,モデルに依存しないプラグアンドプレイメモリフレームワークであるMemVerseを紹介した。 MemVerseは階層的検索ベースのメモリで高速パラメトリックリコールを行う。 スケーラブルで適応的なマルチモーダルインテリジェンスを実現する。
  論文  参考訳（メタデータ） (2025-12-03T10:06:14Z)
• 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)
• ReasoningBank: Scaling Agent Self-Evolving with Reasoning Memory [57.517214479414726]
  ReasoningBankは、エージェントの自己判断の成功と失敗の経験から一般化可能な推論戦略を抽出するメモリフレームワークである。 テスト時には、エージェントがReasoningBankから関連する記憶を取得してそのインタラクションを知らせ、新しい学習を統合することで、時間が経つにつれてより有能になる。 本稿では,エージェントのインタラクションエクスペリエンスをスケールアップすることにより,学習プロセスの高速化と多様化を図るメモリ対応テストタイムスケーリング(MaTTS)を提案する。
  論文  参考訳（メタデータ） (2025-09-29T17:51:03Z)
• Lifelong Person Re-Identification via Knowledge Refreshing and Consolidation [35.43406281230279]
  Lifelong person re-identification (LReID)の鍵となる課題は、古い知識を段階的に保存し、徐々に新しい能力をシステムに追加する方法である。 体性感覚性新皮質と海馬が協調して記憶統合を行う人間の認知の生物学的過程に着想を得て,我々は知識リフレッシュ・アンド・コンソリデーション(KRC)と呼ばれるモデルを構築した。 より具体的には、双方向の知識伝達を可能にするための知識リフレッシュ方式に知識リハーサル機構が組み込まれている。
  論文  参考訳（メタデータ） (2022-11-29T13:39:45Z)

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。