論文の概要: ClawMMU: Protection-Coherent Virtual Memory for Stateful LLM Agents
- arxiv url: http://arxiv.org/abs/2610.28093v1
- Date: Tue, 20 Oct 2026 12:09:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.800694
- Title: ClawMMU: Protection-Coherent Virtual Memory for Stateful LLM Agents
- Title（参考訳）: ClawMMU:ステートフルLLMエージェントの保護コヒーレントな仮想メモリ
- Abstract要約: エージェントハーネスは、モデルを実行するソフトウェアであり、誰がこのメモリに作用するかを記録しない。
ClawMMUは、メモリのすべての部分を所有者、スコープ、起源、権限でラベル付けする保護層である。
- 参考スコア（独自算出の注目度）: 2.9128759828803195
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI agents keep long-term memory, much of which comes from web pages and tool results. Agent harnesses, the software that runs the model, do not record who may act on this memory, so an instruction hidden in a fetched page can be treated as the user's own instruction. We propose ClawMMU, a protection layer that labels every piece of memory with its owner, scope, origins, and authority. ClawMMU checks these labels whenever content enters the model's context, is written to storage, returns from storage, or drives a tool call. Its central rule is that information may rise in authority, but authority never lifts itself. Because the checks depend on where content came from, not on what it says, memory attacks become classical protection faults that the harness stops even when the model is fooled.
- Abstract（参考訳）: AIエージェントは長期記憶を保持しており、そのほとんどはWebページやツールの結果から来ている。
エージェントハーネスは、モデルを実行するソフトウェアであり、誰がこのメモリに作用するかを記録しないため、フェッチされたページに隠された命令は、ユーザの独自の命令として扱うことができる。
ClawMMUは、メモリのすべての部分を所有者、スコープ、起源、権限でラベル付けする保護層である。
ClawMMUは、コンテンツがモデルのコンテキストに入ったり、ストレージに書き込まれたり、ストレージから返されたり、ツールコールを実行したりするたびに、これらのラベルをチェックする。
その中心的なルールは、情報は権威を増すかもしれないが、権威は決して自身を持ち上げることはない、ということである。
チェックはコンテンツがどこから来たかによって異なるため、メモリ攻撃は古典的な保護障害となり、モデルが騙されてもハーネスが停止する。
関連論文リスト
- SAFE-Mem: Secure Agentic Memory with Fine-Grained Authority and Governance-Aware Retrieval [14.336664582531263]
メモリ管理フレームワークSAFE-Memを提案する。
正当性のあるメモリ使用を保ちながら、セキュリティを改善します。
正統な記憶を維持している守備隊の中では最も低い攻撃成功率、少なくとも77%以下であり、評価された全ての守備隊の回答精度が最も高く、最大で15ポイント向上している。
論文 参考訳（メタデータ） (2026-10-16T05:29:55Z) - Memory Provenance Laundering in LLM Agents: A Non-Amplification Firewall for Persistent Memory [2.98985980237058]
Provenance-Preserving Memory Fire Wall (PPMF) は、プラットフォームの保守された前兆を保存し、アクション関連メモリの権威にアクションリスクを合わせることでツールコールを認可する軽量メモリである。
プラットフォームに保持された証明、確認、リスクラベルはそのままであり、評価されていないハイリスクアクションはPPMFゲートを通過しない。
論文 参考訳（メタデータ） (2026-07-31T08:46:27Z) - AutoMem: Automated Learning of Memory as a Cognitive Skill [63.07128029793901]
記憶の専門知識は学習したスキルであることを示す。
メモリ管理の2つの軸を自動化するフレームワークであるAutoMemを紹介する。
その結果,メモリ管理は独立して学習可能なスキルであることが示唆された。
論文 参考訳（メタデータ） (2026-07-01T17:57:03Z) - Beyond Similarity: Trustworthy Memory Search for Personal AI Agents [25.265839311088516]
個人AIエージェントにおける信頼境界としてのメモリ探索について検討する。
MemGateは、信頼性の高いメモリ検索のための軽量でデプロイ可能なメモリプラグインである。
論文 参考訳（メタデータ） (2026-06-04T11:54:29Z) - MemGuard: Preventing Memory Contamination in Long-Term Memory-Augmented Large Language Models [56.31411457917676]
本稿では,メモリ構築と検索において,機能的メモリ境界を保存するタイプアウェアメモリフレームワークであるMemGuardを紹介する。
幻覚と長期会話のベンチマーク全体で、MemGuardはメモリの信頼性を最大28.27%向上し、メモリトークンは以前の方法より5.8倍少ない。
論文 参考訳（メタデータ） (2026-05-27T06:04:19Z) - MemGym: a Long-Horizon Memory Environment for LLM Agents [69.79226770543049]
本稿では,エージェントメモリのベンチマークであるMemGymを紹介する。
MemGymは、メモリパフォーマンスを推論、検索、ツール使用能力から切り離すメモリアイソレーションスコアを報告している。
MEMGYM-CODEQAとMEMGYM-DRの合成パイプラインは、長さ制御可能であり、各ステージでアブレーションを検証可能であり、下流のシナリオと密に整合している。
論文 参考訳（メタデータ） (2026-05-20T07:25:33Z) - 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) - MemMA: Coordinating the Memory Cycle through Multi-Agent Reasoning and In-Situ Self-Evolution [52.29303869050117]
メモリ拡張LDMエージェントは、長期の相互作用をサポートするために外部メモリバンクを保持する。
MemMAはプラグアンドプレイのマルチエージェントフレームワークで、前方と後方の両方の経路に沿ってメモリサイクルを調整する。
論文 参考訳（メタデータ） (2026-03-19T10:15:59Z) - MemArchitect: A Policy Driven Memory Governance Layer [7.056460460498077]
私たちは、モデル重みからメモリライフサイクル管理を分離するガバナンス層であるMemArchitectを紹介します。
MemArchitectは、メモリ崩壊、コンフリクト解決、プライバシコントロールなど、明示的でルールベースのポリシーを実行する。
論文 参考訳（メタデータ） (2026-03-18T22:37:05Z) - Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents [57.38404718635204]
大規模言語モデル (LLM) エージェントは、有限コンテキストウィンドウによる長距離推論において基本的な制限に直面している。
既存のメソッドは通常、長期記憶(LTM)と短期記憶(STM)を独立したコンポーネントとして扱う。
本稿では,エージェントのポリシーに LTM と STM 管理を直接統合する統合フレームワークである Agentic Memory (AgeMem) を提案する。
論文 参考訳（メタデータ） (2026-01-05T08:24:16Z)
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。