論文の概要: All-in-One Memory: Process-Rewarded Reinforcement Learning for Memory Agents

• arxiv url: http://arxiv.org/abs/2610.21147v1
• Date: Thu, 15 Oct 2026 03:02:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.145526
• Title: All-in-One Memory: Process-Rewarded Reinforcement Learning for Memory Agents
• Title（参考訳）: オールインワンメモリ: プロセス・リワードによるメモリエージェントの強化学習
• Abstract要約: 大規模な言語モデルは、長い水平履歴に根ざしたクエリに答えるために、ますます外部メモリに依存している。 我々は、これらの操作を共有エビデンス状態の遷移として整理するオールインワンメモリ(AiO-Mem)を提案する。 個別の軌跡条件付きプロセス報酬モデルがエビデンスグラウンドで制御された微調整と軌跡レベルDPOを用いて訓練され、収集された軌跡にプロセススコアを割り当てる。 AiO-Memは、静的メモリシステムとRL学習メモリエージェントの両方の応答精度を一貫して改善する。
• 参考スコア（独自算出の注目度）: 24.05757049389631
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models increasingly rely on external memory to answer queries grounded in long-horizon histories such as multi-session dialogues and lengthy documents. However, existing memory methods often optimize retrieval and memory construction separately, without a shared reward space for evaluating search, writing, and stopping decisions. To address this, we propose All-in-One Memory (AiO-Mem), which organizes these operations as transitions over a shared evidence state and directly evaluates the semantic quality of each action in a unified reward space. AiO-Mem compiles heterogeneous histories into source-traceable multi-view events, providing a shared substrate for retrieval and memory writing. A unified memory policy actor then rolls out complete interaction trajectories over this shared evidence state. A separate trajectory-conditioned process reward model is trained through evidence-grounded supervised fine-tuning and trajectory-level DPO to assign process scores to the collected trajectories. These scores are aggregated into an action-balanced trajectory reward and used by Process-Aligned DAPO (PA-DAPO) to optimize the memory policy. Across long-context memory benchmarks, AiO-Mem consistently improves answer accuracy over both static memory systems and RL-trained memory agents.
• Abstract（参考訳）: 大規模言語モデルは、多セッション対話や長文文書のような長い水平履歴に根ざしたクエリに答えるために、外部メモリにますます依存している。 しかし、既存のメモリ手法は、検索、書き込み、決定の停止を評価するための報酬空間を共有せずに、検索とメモリ構築を別々に最適化することが多い。 そこで我々は,これらの操作を共有エビデンス状態の遷移として整理し,各アクションの意味的品質を直接評価するオールインワンメモリ(AiO-Mem)を提案する。 AiO-Memは異質な履歴をソース追跡可能なマルチビューイベントにコンパイルし、検索とメモリ書き込みのための共有基板を提供する。 統一メモリポリシーアクターは、この共有されたエビデンス状態に対して完全なインタラクション軌跡をロールアウトする。 個別の軌跡条件付きプロセス報酬モデルがエビデンスグラウンドで制御された微調整と軌跡レベルDPOを用いて訓練され、収集された軌跡にプロセススコアを割り当てる。 これらのスコアは、アクションバランスのトラジェクトリ報酬に集約され、Process-Aligned DAPO (PA-DAPO) によってメモリポリシーの最適化に使用される。 AiO-Memは、長いコンテキストメモリベンチマーク全体にわたって、静的メモリシステムとRL学習メモリエージェントの両方の応答精度を一貫して改善している。

関連論文リスト

• Event-Centric Memory with Query-Aware Graph Augmentation for Long-Term Conversational Agents [51.804747364500344]
  本稿では,人間の記憶を動機とした新しいメモリ構築とアクティベーションフレームワークQGMemを提案する。 QGMemは、長い対話履歴を個々の体験を保存するイベントインデックス化された原子記憶ユニットに変換する。 検索,マルチホップエビデンス構成,コンフリクト解決,コンパクトな文脈による超長文対話推論において,一貫した利得を示す。
  論文  参考訳（メタデータ） (2026-10-08T13:17:59Z)
• Remember by Asking: Retrieval-Induced Memory Evolution for LLM Agents [10.809831681526058]
  RIMEは、メモリ構造をモノリシック圧縮からエビデンス中心の統合に移行する、検索誘起メモリフレームワークである。 推論時には、圧縮されたメモリが唯一の証拠源というよりは、プライマリとして機能する。 Qwen3-235B-A22B と GPT-5.6 Sol による LoCoMo の実験は、RIME が常に最高の性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-09-28T06:57:46Z)
• Memory as a Controlled Process: Learned Adaptive Memory Management for LLM Agents [72.3752981234916]
  大きな言語モデル(LLM)エージェントは、タスク間の経験を蓄積するために、外部メモリシステムに依存している。 メモリ操作をマルコフ決定プロセスとしてモデル化するフレームワークである制御プロセス(MemCon)としてメモリを提示する。 MemConは、複数のメモリベースラインのタスク成功率を最大15.2ポイント上回り、トークン消費量を5-20%削減している。
  論文  参考訳（メタデータ） (2026-07-15T08:32:40Z)
• Memory is Reconstructed, Not Retrieved: Graph Memory for LLM Agents [51.30250860677378]
  本稿では,連想記憶グラフとアクティブな再構成機構を組み合わせたフレームワークであるMRAgentを提案する。 Cue-Tag-Contentグラフ上で実行することで,メモリアクセスに直接推論を統合する。 LoCoMoベンチマークとLongMemEvalベンチマークの実験は、強いベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2026-06-04T11:29:46Z)
• MemGround: Long-Term Memory Evaluation Kit for Large Language Models in Gamified Scenarios [33.8882826707344]
  MemGroundは、リッチでゲーミフィケーションされたインタラクティブシナリオを基盤とした、厳格な長期メモリベンチマークである。 メモリ利用と行動軌跡の両方を包括的に定量化するために,多次元計量スイートを提案する。
  論文  参考訳（メタデータ） (2026-03-23T02:57:39Z)
• MemoryArena: Benchmarking Agent Memory in Interdependent Multi-Session Agentic Tasks [55.145729491377374]
  メモリを持つエージェントの既存の評価は、通常、単独で記憶と行動を評価する。 マルチセッションメモリ-エージェント環境ループにおけるエージェントメモリのベンチマークのための統合評価ジムであるMemoryArenaを紹介する。 MemoryArenaは、Webナビゲーション、優先制約付き計画、プログレッシブ情報検索、シーケンシャルなフォーマルな推論を含む評価をサポートする。
  論文  参考訳（メタデータ） (2026-02-18T09:49:14Z)
• Multiple Memory Systems for Enhancing the Long-term Memory of Agent [9.43633399280987]
  MemoryBankやA-MEMといった既存の手法は、記憶されているメモリの質が劣っている。 我々は認知心理学理論にインスパイアされた多重記憶システムを設計した。
  論文  参考訳（メタデータ） (2025-08-21T06:29:42Z)
• From Single to Multi-Granularity: Toward Long-Term Memory Association and Selection of Conversational Agents [79.87304940020256]
  大言語モデル(LLM)は会話エージェントで広く採用されている。 MemGASは、多粒度アソシエーション、適応選択、検索を構築することにより、メモリ統合を強化するフレームワークである。 4つの長期メモリベンチマークの実験により、MemGASは質問応答と検索タスクの両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-26T06:13:07Z)

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。