論文の概要: Memory-Centric Continual Learning for AI Agents
- arxiv url: http://arxiv.org/abs/2610.29357v1
- Date: Wed, 21 Oct 2026 07:49:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.280925
- Title: Memory-Centric Continual Learning for AI Agents
- Title（参考訳）: AIエージェントのためのメモリ中心連続学習
- Abstract要約: メモリ中心連続学習(Memory-Centric Continual Learning)は、メモリが取得するものだけでなく、将来のアクションを改善するかどうかによって判断されるべきである、と論じている。
MCCLには3つの主要な部分がある。まず3軸分類法は、状態が保存されている場所(サブストレート)、どのような形(アセット)、どのように管理されているかによってメモリを整理する。
第2に、評価プロトコルは、単純なコンテキスト展開から真の行動的利得を分離するための干渉、変化への適応、タスク転送の下での保持を測定する。
- 参考スコア（独自算出の注目度）: 74.6399383050059
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous agents powered by foundation models can reason, plan, and use tools, but their fixed weights and context limits hinder sustained learning from experience over long-term deployment. While external memory systems attempt to bridge this gap, they mostly act as passive retrieval caches, evaluated primarily by whether they can recall stored facts or past interactions. Whether memory can drive genuine continual learning remains an open question. In this paper, we introduce Memory-Centric Continual Learning (MCCL), arguing that memory should be judged by whether it improves future actions, not merely what it retrieves. MCCL has three main parts. First, a three-axis taxonomy organizes memory by where state is stored (substrates), what form it takes (assets), and how it is managed (policies). This defines a two-loop lifecycle that updates memory state in an inner loop while refining management policies in an outer loop based on task feedback. Second, an evaluation protocol measures retention under interference, adaptation to change, and task transfer to isolate genuine behavioral gains from simple context expansion. Third, a memory scaling framework models how agent performance scales with experience, storage capacity, and compute budgets across non-parametric and parametric memory. Together, these components reframe agent memory from passive lookup to continuous learning, offering a principled route toward self-improving autonomous agents.
- Abstract（参考訳）: 基礎モデルを利用した自律エージェントは、ツールを推論、計画、使用することができるが、その固定重みとコンテキスト制限は、長期的な展開を通じて経験から持続的な学習を妨げる。
外部メモリシステムは、このギャップを埋めようとしているが、主にパッシブなキャッシュとして機能し、主に保存された事実や過去のインタラクションをリコールできるかどうかによって評価される。
記憶が真に連続的な学習を促進するかどうかは、まだ未解決の問題だ。
本稿では、メモリ中心連続学習(MCCL)を紹介し、メモリは、取得した情報だけでなく、将来の行動を改善するかどうかによって判断されるべきである、と論じる。
MCCLには3つの主要な部分がある。
第一に、3軸分類法は、状態が保存されている場所(サブストレート)、その形(アセット)、どのように管理されているか(政治)によって記憶を整理する。
これは、内部ループのメモリ状態を更新する2ループライフサイクルを定義し、タスクフィードバックに基づいて外部ループの管理ポリシーを精査する。
第2に、評価プロトコルは、単純なコンテキスト展開から真の行動的利得を分離するための干渉、変化への適応、タスク転送の下での保持を測定する。
第三に、メモリスケーリングフレームワークは、非パラメトリックメモリとパラメトリックメモリでエージェントのパフォーマンスを、経験、ストレージ容量、計算予算とともにスケールする方法をモデル化する。
これらのコンポーネントは、エージェントのメモリを受動的ルックアップから継続的学習に再構成し、自己改善型自律エージェントへの原則化された経路を提供する。
関連論文リスト
- MemDev-Bench: Does Memory Help Code Agents?Benchmarking Memory Systems over Real Repository Histories [51.50022165666403]
本稿では,メモリシステムがさまざまなリポジトリ履歴に対してコードエージェントに与える影響を評価するためにMemDev-Benchを提案する。
MemDev-Benchをベースとして,メモリシステムの系統的評価を行った。
論文 参考訳（メタデータ） (2026-10-20T02:39:26Z) - 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) - 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) - Memory-R2: Fair Credit Assignment for Long-Horizon Memory-Augmented LLM Agents [27.2861945963127]
メモリ拡張LDMエージェントは、有限コンテキストウィンドウを超えて拡張されるインタラクションを可能にする。
マルチセッション環境における強化学習によるエージェントの育成は困難である。
メモリ拡張LDMエージェントのトレーニングフレームワークであるMemory-R2を紹介する。
論文 参考訳（メタデータ） (2026-05-20T22:02:00Z) - 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) - 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) - Memory Retention Is Not Enough to Master Memory Tasks in Reinforcement Learning [44.94110361062394]
実世界の意思決定は、安定かつ適応性のあるメモリに依存する。
既存の強化学習ベンチマークとメモリ拡張エージェントは、主に保持に焦点を当てている。
部分的な可観測性の下で連続的なメモリ更新を明示的にテストするベンチマークを導入する。
論文 参考訳（メタデータ） (2026-01-21T15:27:23Z)
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。