論文の概要: CoMem: Learning to Anticipate Failures from Retrieved Experience

• arxiv url: http://arxiv.org/abs/2610.25790v1
• Date: Mon, 19 Oct 2026 04:54:46 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:30:23.454472
• Title: CoMem: Learning to Anticipate Failures from Retrieved Experience
• Title（参考訳）: CoMem: 回復した経験から失敗を予測することを学ぶ
• Abstract要約: 検索されたメモリは過去の経験を明示的に保ち、関連するケースを検索するが、それは銀行によって制限されている。 学習した経験を学習メモリ自体への入力とし,学習と推論を行うCoMemを紹介する。
• 参考スコア（独自算出の注目度）: 19.3269302059642
• License:
• Abstract: Reflection lets LLM agents improve from their own attempts, but the memory it builds is local to a single task, so an agent reflecting on its own tends to revisit the same explanation for failure. Cross-task reflective memory addresses this in two forms: retrieved memory keeps past experience explicit and looks up related cases, which is specific but bounded by the bank, and parametric memory internalizes experience into parameters, which generalizes but is grounded in nothing beyond the task description. When both are used, existing agents combine them additively, feeding their outputs to the solver side by side, so retrieved experience never changes what the learned memory produces. We introduce CoMem (Compounding Memory), which makes retrieved experience an input to the learned memory itself, at training and at inference. The agent builds a bank of its own successful and failed reflections, learns from retrieved cases to write failure hypotheses, candidate explanations of how an attempt is likely to go wrong, and at test time reasons from newly retrieved cases to guide each attempt. Varying the retrieved cases gives the memory different perspectives, yielding reflective diversity that is not merely sampled but also grounded in retrieved experience. Across two backbones and five benchmarks in math, code, and multi-hop QA, CoMem achieves strong overall performance. Additional evaluations show that it generalizes to out-of-distribution tasks and enables smaller models to provide effective guidance to stronger solvers.
• Abstract（参考訳）: リフレクションにより、LLMエージェントは自身の試行から改善されるが、それが構築するメモリは単一のタスクに局所的であるため、自分自身でリフレクションするエージェントは、障害に関する同じ説明を再考する傾向がある。 検索されたメモリは過去の経験を明示的に保ち、関連するケースを検索するが、それは銀行によって制限されている。 両方を使用すると、既存のエージェントがそれらを付加的に組み合わせて、出力をソルバに並べて供給する。 CoMem(Compounding Memory)を導入し、学習した経験を学習した記憶そのものへの入力とし、学習と推論を行う。 エージェントは、成功し失敗したリフレクションのバンクを構築し、検索されたケースから失敗仮説を書くことを学び、試みがどのように失敗するかを候補に説明し、新しく検索されたケースからテスト時にそれぞれの試行を案内する。 検索されたケースの変数化は、メモリに異なる視点を与え、単にサンプリングされただけでなく、検索された経験にも根ざした反射的な多様性をもたらす。 数学、コード、マルチホップQAの2つのバックボーンと5つのベンチマークで、CoMemは全体的なパフォーマンスを向上する。 さらなる評価では、分散タスクを一般化し、より小さなモデルでより強力な解法に効果的なガイダンスを提供することが示されている。

関連論文リスト

• STRATA: Self-Maintaining Structured Experience Graphs for Self-Evolving Language Agents [21.082619806110696]
  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。
  論文  参考訳（メタデータ） (2026-10-14T01:31:59Z)
• Is One Score Enough? Rethinking the Evaluation of Sequentially Evolving LLM Memory [50.857546269660276]
  本稿では,大規模言語モデル(LLM)メモリを逐次進化させる診断評価フレームワークであるSeqMem-Evalを紹介する。 最終的なパフォーマンスのみに焦点を当てるのではなく、SeqMem-Evalは、シーケンシャル推論において、メモリ状態がどのように進化し、一般化し、エクスペリエンスを集約し、有用な情報を保持するかを評価する。
  論文  参考訳（メタデータ） (2026-05-14T20:15:22Z)
• When Continual Learning Moves to Memory: A Study of Experience Reuse in LLM Agents [25.09835238706609]
  メモリ拡張LDMエージェントは、継続的な学習に魅力的なショートカットを提供する。 この課題は消えるのではなく、メモリレベルで再浮上することを示します。
  論文  参考訳（メタデータ） (2026-04-29T04:48:02Z)
• MemEvoBench: Benchmarking Memory MisEvolution in LLM Agents [78.95081012334116]
  永続メモリを持つ大規模言語モデル(LLM)は、相互作用の継続性とパーソナライゼーションを高めるが、新たな安全性リスクをもたらす。 汚染または偏りのある記憶蓄積は、異常な作用を引き起こす可能性がある。 MemeEvoBenchは、LLMエージェントのメモリ安全性を評価する最初のベンチマークである。
  論文  参考訳（メタデータ） (2026-04-17T07:29:52Z)
• 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)
• Learning from Supervision with Semantic and Episodic Memory: A Reflective Approach to Agent Adaptation [11.819481846962447]
  本研究では,事前訓練された大規模言語モデル上に構築されたエージェントが,パラメータ更新なしでラベル付き例からターゲット分類関数を学習する方法について検討する。 我々のフレームワークは、エピソードメモリを使用して、インスタンスレベルの批判を保存し、それらを再利用可能なタスクレベルのガイダンスに蒸留する。 我々の研究は、より適応的で解釈可能なLLMエージェントを構築するためのメモリ駆動型反射学習の可能性を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-10-22T17:58:03Z)
• 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)
• ArcMemo: Abstract Reasoning Composition with Lifelong LLM Memory [21.4675019810992]
  概念レベルのメモリは再利用され、ソリューショントレースから抽出されたモジュラー抽象化が自然言語に格納される。 我々は、合成一般化と抽象的推論を強調するベンチマークARC-AGIを評価する。 抽象概念は最も一貫したメモリ設計であり、全てのテストされた推論計算スケールでベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-09-04T17:54:19Z)
• How Memory Management Impacts LLM Agents: An Empirical Study of Experience-Following Behavior [65.70584076918679]
  メモリは、大きな言語モデル(LLM)ベースのエージェントにおいて重要なコンポーネントである。 本稿では,メモリ管理の選択がLLMエージェントの行動,特に長期的パフォーマンスに与える影響について検討する。
  論文  参考訳（メタデータ） (2025-05-21T22:35:01Z)

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。