論文の概要: MemPrice: Online Memory Allocation via Adaptive Pricing for Long-Horizon Agents

• arxiv url: http://arxiv.org/abs/2610.24955v1
• Date: Sun, 18 Oct 2026 02:11:53 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:27:18.189583
• Title: MemPrice: Online Memory Allocation via Adaptive Pricing for Long-Horizon Agents
• Title（参考訳）: MemPrice: 長距離エージェントのアダプティブ価格によるオンラインメモリ割り当て
• Abstract要約: 本稿では,アクティブコンテキストを共有リソースとして扱うMemPriceを紹介し,メモリと表現レベルをまたいで動的に割り当てる。 MemPriceは蓄積したメモリの圧力をコンテキストの適応価格に変え、その推定保持値が追加フットプリントを正当化する場合にのみ詳細を推奨する。 非可逆圧縮は、自身のメモリ軌跡に追従した後向きに対する線形最悪の後悔を招き、MemPriceが実現したメモリ状態のアロケーションを評価するための同状態ベンチマークを導入する。
• 参考スコア（独自算出の注目度）: 13.305340612406823
• License:
• Abstract: Long-horizon LLM agents face a fundamental allocation problem as interaction histories grow: which information to retain, how much context to devote to it, and at what granularity. Existing memory mechanisms largely focus on relevance, retrieval, or compression, leaving this allocation trade-off implicit. We introduce MemPrice, which treats active context as a shared resource and dynamically allocates it across memories and representation levels. MemPrice turns accumulated memory pressure into an adaptive price on context, encouraging detail only when its estimated retention value justifies the additional footprint. This pressure persists across memory refreshes, allowing the contents of memory to evolve while preserving long-run control over context usage. We show that irreversible compression can force linear worst-case regret against hindsight following its own memory trajectory, and introduce a same-state benchmark to evaluate allocation on MemPrice's realized memory states. MemPrice enforces the hard context budget at every round and regulates long-run occupancy through adaptive pricing, without prior knowledge of the interaction horizon. Under priced-frontier regularity, its average allocation-regret bound against this benchmark vanishes when accumulated estimation error is sublinear. We evaluate the framework under matched memory budgets on LongMemEval, LoCoMo, AppWorld, and WebShop across three foundation models, spanning both query-blind memory construction and goal-directed agent context management.
• Abstract（参考訳）: ロングホライゾンLSMエージェントは、相互作用履歴が大きくなるにつれて、基本的な割り当ての問題に直面している。 既存のメモリメカニズムは、関連性、検索、圧縮に重点を置いており、このアロケーションのトレードオフは暗黙的に残されている。 本稿では,アクティブコンテキストを共有リソースとして扱うMemPriceを紹介し,メモリと表現レベルをまたいで動的に割り当てる。 MemPriceは蓄積したメモリの圧力をコンテキストの適応価格に変え、その推定保持値が追加フットプリントを正当化する場合にのみ詳細を推奨する。 このプレッシャーはメモリリフレッシュ全体にわたって持続し、コンテキスト使用に対する長期制御を維持しながら、メモリの内容の進化を可能にする。 非可逆圧縮は、自身のメモリ軌跡に追従した後向きに対する線形最悪の後悔を招き、MemPriceが実現したメモリ状態のアロケーションを評価するための同状態ベンチマークを導入する。 MemPriceは、各ラウンドでハードコンテキスト予算を強制し、相互作用の地平線に関する事前の知識なしに、適応的な価格で長期の占有を規制する。 価格面の正則性の下では、このベンチマークに対する平均アロケーション-レグレットは、累積推定誤差がサブ線形であるときに消滅する。 このフレームワークをLongMemEval, LoCoMo, AppWorld, WebShopの3つの基礎モデルで評価した。

関連論文リスト

• Harness the Memory: A Holistic Evaluation of Memory Substrates in Memory Agents [97.19033877543522]
  本稿では,メモリ拡張剤のメモリ基板の制御ハーネス評価について述べる。 統一されたハーネスの下で26のパフォーマンスと効率のメトリクスを計測する。 これらの知見は、アダプティブエージェントメモリシステムに必要なコンポーネントとして、基質ルーティングを動機付けている。
  論文  参考訳（メタデータ） (2026-08-15T03:29:48Z)
• LeanMem: Simple and Efficient Long-Term Memory for LLM Agents [21.43772050088654]
  軽量な長期記憶フレームワークであるLeanMemを提案する。 推論中、LeanMemは動的にメモリタイプを選択し、クエリ固有のエビデンス要求に従って検索予算を割り当てる。 GPT-4.1-miniとQwen3-8BのLoCoMoとLongMemEval-Sでは、LeanMemは全ての設定において最強のメモリベースベースラインよりも精度を向上させる。
  論文  参考訳（メタデータ） (2026-08-04T10:59:49Z)
• MemArbiter: Decision-Time Memory Arbitration for Long-Horizon LLM Agents [14.82470944373943]
  本稿では,関数対応メモリ調停フレームワークであるMemArbiterを提案する。 MemArbiterは、インタラクション履歴をアトミックアイテムに分解し、5つの機能的メモリバンクに編成する。 MemArbiterは、500と750の予算で82.8%、92.5%の成功率を達成した。
  論文  参考訳（メタデータ） (2026-08-03T12:10:52Z)
• 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)
• 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)
• Remember the Decision, Not the Description: A Rate-Distortion Framework for Agent Memory [120.68750043918249]
  記憶は、決定にとって重要な区別を、記述ではなく保存すべきであることを示す。 DeMemは,共有状態が決定競合を誘発することを示すデータに対してのみ,分割を洗練させるオンラインメモリ学習システムである。
  論文  参考訳（メタデータ） (2026-05-11T17:20:58Z)
• Mem-T: Densifying Rewards for Long-Horizon Memory Agents [23.19373149519922]
  我々は,動的更新やストリーミング入力によるマルチターン検索を行うために,軽量な階層型メモリデータベースと対話する自律メモリエージェントMem-Tを紹介する。 また,木誘導型強化学習フレームワークであるMoT-GRPOを提案する。
  論文  参考訳（メタデータ） (2026-01-30T14:23:33Z)
• MemRec: Collaborative Memory-Augmented Agentic Recommender System [57.548438733740504]
  我々はメモリ管理から推論をアーキテクチャ的に分離するフレームワークであるMemRecを提案する。 MemRecは動的コラボレーティブメモリグラフを管理する専用のLM_Memを導入した。 4つのベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-01-13T18:51:16Z)

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。