論文の概要: STRATA: Self-Maintaining Structured Experience Graphs for Self-Evolving Language Agents

• arxiv url: http://arxiv.org/abs/2610.19386v1
• Date: Wed, 14 Oct 2026 01:31:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.885233
• Title: STRATA: Self-Maintaining Structured Experience Graphs for Self-Evolving Language Agents
• Title（参考訳）: STRATA: 自己進化型言語エージェントのための自己完結型構造化経験グラフ
• Abstract要約: 大規模言語モデル(LLM)エージェントは、経験を蓄積することで、テスト時に自己進化することができる。 LLMのほとんどのエージェントは単一レベルであり、軌道、蒸留、そして最も平均的な推論項目は全て、類似性を埋め込むことでインデックス付けされた1つの未分化プールに着陸する。 我々は、構造化された結果グラウンドの自己維持メモリSTRATAを導入し、経験を原子スキルとコードスニペットの3層グラフにまとめる。
• 参考スコア（独自算出の注目度）: 21.082619806110696
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model (LLM) agents can self-evolve at test time by accumulating experience: retrieving relevant memories before acting and writing new lessons back afterwards. Yet most are single-level: trajectories, distilled workflows and reasoning items all land in one undifferentiated pool indexed by embedding similarity, with no typed abstraction hierarchy. They never forget or deduplicate, and are prone to negative transfer, where a superficially similar but directionally opposite experience is recalled and its concrete steps are copied verbatim, actively harming the agent. We introduce STRATA, a structured, outcome-grounded, self-maintaining memory that organizes experience into a three-layer graph of atomic skills and code snippets, task workflows and generalized meta-frameworks, connected by typed edges. STRATA maintains itself through five mechanisms sharing one similarity geometry: a multi-dimensional similarity that scores retrieval by operation and target; a typed reflector crystallizing procedures from successes and pitfalls from failures; community detection that induces meta-frameworks; pressure-triggered garbage collection with articulation-point protection; and contrast edges that flag confusable, direction-opposite experiences. Across four interactive benchmarks (AppWorld, WebArena, ALFWorld, ScienceWorld), two frozen backbones and seven baselines, STRATA attains the best average score while simultaneously using the lowest latency and fewest environment steps of any memory-augmented method, and 44% fewer lines of injected memory than the most context-hungry baseline. We isolate two failure modes of prior memories: single-level memory degrades sharply as the task set grows, and single-level concrete memories suffer catastrophic negative transfer, which contrast edges repair, lifting ScienceWorld from 78.7 to 96.7 within the same system.
• Abstract（参考訳）: 大きな言語モデル(LLM)エージェントは、経験を蓄積することで、テスト時に自己進化することができる。 トラジェクトリ、蒸留ワークフロー、推論項目はすべて、型付き抽象階層を持たず、類似性を埋め込んだインデックス付き未分化プールに置かれる。 彼らは決して忘れたり重複したりせず、負の移動をしがちであり、そこでは表面上は似ているが、方向は逆の体験が思い出され、その具体的なステップは冗長にコピーされ、エージェントを積極的に害する。 我々は、構造化された結果グラウンドで自己維持するメモリであるSTRATAを導入し、経験を原子スキルとコードスニペットの3層グラフ、タスクワークフロー、一般化されたメタフレームワークにまとめ、型付きエッジで接続する。 STRATAは、操作とターゲットによる検索をスコアする多次元の類似性、成功と失敗からの落とし穴からのタイプドリフレクタの結晶化手順、メタフレームワークを誘導するコミュニティ検出、調音点保護を備えた圧力トリガーのガベージコレクション、および、コントラストエッジのフラグである方向対応体験である。 4つのインタラクティブなベンチマーク(AppWorld、WebArena、ALFWorld、ScienceWorld)、凍結したバックボーン2つと7つのベースラインのうち、STRATAは最高の平均スコアを獲得し、メモリ拡張されたメソッドの最低レイテンシと最小環境ステップを同時に使用し、44%のインジェクトメモリを最もコンテキスト強調ベースラインより少なくする。 単一レベルのメモリはタスクセットが大きくなるにつれて急激に劣化し、単一レベルのコンクリートメモリは破滅的な負の転送に苦しむため、修復が困難になり、ScienceWorldを78.7から96.7に引き上げる。

関連論文リスト

• MemVenom: Triggered Poisoning of Multimodal Memories in Web Agents [74.64265314956441]
  そこで我々は,グラフ構造化外部メモリにテキスト画像のコーディネートを施したブラックボックス攻撃フレームワークを提案する。 MemVenomは、GPT-5ファミリーのWebエージェントで最大99.15%に達する、良質なパフォーマンスに最小限の影響を伴って、強力なエンドツーエンド攻撃を成功させる。
  論文  参考訳（メタデータ） (2026-06-09T11:53:25Z)
• DELTAMEM: Incremental Experience Memory for LLM Agents via Residual Trees [15.040112664020503]
  既存の知識の漸進的な変化として,新たに獲得した経験がしばしばあると仮定して,残余体験を導入する。 経験記憶を2つの独立した残留木に整理するフレームワークであるDeltaMemを提案する。 多様なインタラクティブ環境における実験は、DeltaMemが既存のベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-06-02T03:13:50Z)
• WorldMemArena: Evaluating Multimodal Agent Memory Through Action-World Interaction [72.1620416874118]
  マルチモーダルな言語モデルは、長距離エージェントとしてますます多くデプロイされている。 既存のベンチマークは、静的対話上のリコールを測定し、メモリを1つのタスクの精度に分解し、キャプションに対する視覚的な観察を減らす。 マルチモーダルエージェントメモリを,観測可能な4段階ライフサイクルを持つアクションワールドインタラクションループとして定式化する。
  論文  参考訳（メタデータ） (2026-05-28T04:27:20Z)
• Memory for Autonomous LLM Agents:Mechanisms, Evaluation, and Emerging Frontiers [0.42061757959666934]
  大きな言語モデル(LLM)エージェントは、単一のコンテキストウィンドウが小さすぎて何が起きているのかをキャプチャできないような環境で、ますます運用される。 メモリはステートレステキストジェネレータを真に適応的なエージェントに変える。 この調査は、メモリがどのように設計され、実装され、現代のLCMベースのエージェントで評価されるかという構造化された説明を提供する。
  論文  参考訳（メタデータ） (2026-03-08T15:08:01Z)
• From Verbatim to Gist: Distilling Pyramidal Multimodal Memory via Semantic Information Bottleneck for Long-Horizon Video Agents [78.30630000529133]
  本稿ではファジィトレース理論に基づくピラミッド型マルチモーダルメモリアーキテクチャMM-Memを提案する。 MM-Memメモリは階層的に感覚バッファ、エピソードストリーム、シンボリックに構造する。 実験により、MM-Memがオフラインタスクとストリーミングタスクの両方で有効であることが確認された。
  論文  参考訳（メタデータ） (2026-03-02T05:12:45Z)
• Remember Me, Refine Me: A Dynamic Procedural Memory Framework for Experience-Driven Agent Evolution [52.76038908826961]
  我々は静的ストレージと動的推論のギャップを埋めるため、$textbfReMe$ ($textitRemember Me, Refine Me$)を提案する。 ReMeは3つのメカニズムを通じてメモリライフサイクルを革新する: $textitmulti-faceted distillation$, きめ細かい経験を抽出する。 BFCL-V3とAppWorldの実験では、ReMeが新しい最先端のエージェントメモリシステムを確立している。
  論文  参考訳（メタデータ） (2025-12-11T14:40:01Z)
• Agentic Learner with Grow-and-Refine Multimodal Semantic Memory [50.81667005063605]
  ViLoMemは、コンパクトなスキーマベースのメモリを構築するデュアルストリームメモリフレームワークである。 視覚的障害パターンと論理的推論エラーを符号化し、MLLMが成功し失敗した経験から学ぶことを可能にする。
  論文  参考訳（メタデータ） (2025-11-26T18:55:08Z)

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。