論文の概要: Remembering Has a Price: Learning Memory Worth under Resource Constraints

• arxiv url: http://arxiv.org/abs/2610.26453v1
• Date: Mon, 19 Oct 2026 14:09:45 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:18:21.064876
• Title: Remembering Has a Price: Learning Memory Worth under Resource Constraints
• Title（参考訳）: 記憶には価格がある:資源制約下での学習記憶の価値
• Abstract要約: TokenWorthは軽量なオンラインメモリフレームワークで、スパース実行フィードバックからクエリ依存メモリを学習する。 3つのLifelongAgentBench環境と、ローカルおよびAPIベースのデプロイメントの両方で、TokenWorthはタスクの成功率が最も高い。
• 参考スコア（独自算出の注目度）: 39.51974694970969
• License:
• Abstract: Lifelong agents continually accumulate and reuse experience to improve after deployment, yet in practice they often operate under tight generation, interaction, and memory budgets. Under such stringent joint constraints, we find that existing lifelong-memory methods can become ineffective, with several sophisticated approaches offering little advantage over simple retrieval or even no-memory agents. This reveals a more fundamental problem: resource scarcity makes each memory decision more consequential. When only a small amount of past experience can be retained or reused and opportunities for reasoning and recovery are limited, retrieving a relevant but ineffective memory can consume scarce context and hinder downstream execution. The key challenge is therefore not simply to retrieve relevant experience, but to determine which experiences are actually worth retaining and reusing. To address this challenge, we propose TokenWorth, a lightweight online memory framework that learns query-dependent memory worth from sparse execution feedback and applies it consistently to memory retrieval and bounded memory management. Across three LifelongAgentBench environments and both local and API-based deployments, TokenWorth achieves the highest task success rate while using the fewest output tokens among the evaluated methods. These results suggest that effective lifelong adaptation under resource constraints depends not on remembering more, but on learning what is worth remembering. Our code is publicly available at https://github.com/AIGNLAI/TokenWorth.
• Abstract（参考訳）: ライフロングエージェントは、デプロイ後に改善するためのエクスペリエンスを継続的に蓄積し再利用しますが、実際には、厳密な生成、インタラクション、メモリ予算の下で運用されます。 このような厳密なジョイント制約の下では、既存のライフ長メモリ手法は、単純な検索やメモリ不要なエージェントに対してほとんど利点のない、洗練されたアプローチによって、非効率になる可能性がある。 リソース不足により、各メモリの判断がより簡潔になる。 わずかな過去の経験しか保持または再利用できず、推論とリカバリの機会が限られている場合、関連性はあるが非効率なメモリを取得することは、不足したコンテキストを消費し、下流での実行を妨げる。 したがって、重要な課題は、単に関連するエクスペリエンスを取得することではなく、どのエクスペリエンスが実際に保持および再利用に値するかを判断することである。 この課題に対処するためにTokenWorthを提案する。TokenWorthは、クエリ依存メモリをスパース実行フィードバックから学習し、メモリ検索と境界メモリ管理に一貫して適用する軽量なオンラインメモリフレームワークである。 3つのLifelongAgentBench環境と、ローカルおよびAPIベースのデプロイメントの両方で、TokenWorthは、評価されたメソッドの中で最も少ない出力トークンを使用しながら、最高のタスク成功率を達成する。 これらの結果から,資源制約下での有効寿命適応は,記憶以上のものではなく,記憶に値するものを学ぶことに依存することが示唆された。 私たちのコードはhttps://github.com/AIGNLAI/TokenWorth.comで公開されています。

関連論文リスト

• UniMem: Complementary Episodic-to-Parametric Memory for Boundary-Agnostic Task Streams [77.52140119830241]
  自律型メモリ管理のためのセルフルーティングフレームワークUniMemを提案する。 UniMemは学習可能なルーティングトークンをメモリコントローラとして使用し、相補的なメモリ経路間の適応的な調整を可能にする。 長距離ストリーミングタスクシーケンスの実験では、UniMemは実行の忠実さを維持しながらベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-07-28T17:28:21Z)
• 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)
• AdMem: Advanced Memory for Task-solving Agents [13.611633561917513]
  大規模言語モデル(LLM)はツール使用エージェントとしての約束を示すが、知識の記憶、整理、再利用を必要とする長期的タスクには制限がある。 本稿では,短期記憶と長期記憶を組み合わせた2段階設計において,セマンティック,エピソード,手続き記憶を統合した統合的・自動記憶フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-05T00:11:57Z)
• Learning to Retrieve: Dual-Level Long-Term Memory for Text-to-SQL Agents [63.38073530162493]
  長期記憶は、エージェントが過去の経験を再利用するのに役立つ。 静的メソッドは、下流ユーティリティを最適化しない固定された類似性に依存します。 動的マルチ水平メモリ検索フレームワークであるMERITを提案する。
  論文  参考訳（メタデータ） (2026-05-30T05:44:34Z)
• 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)
• Evaluating Long-Term Memory for Long-Context Question Answering [100.1267054069757]
  質問応答タスクにアノテートした合成長文対話のベンチマークであるLoCoMoを用いて,メモリ拡張手法の体系的評価を行う。 以上の結果から,メモリ拡張アプローチによりトークン使用率が90%以上削減され,競争精度が向上した。
  論文  参考訳（メタデータ） (2025-10-27T18:03:50Z)
• 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)
• Saliency-Augmented Memory Completion for Continual Learning [8.243137410556495]
  忘れる方法は、継続的な学習に対処しなければならない問題である。 本稿では,連続学習のための新たなサリエンシ強化メモリ補完フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-26T18:06:39Z)

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。