論文の概要: Governance-State Corruption in Long-Term Memory for LLM Agents: A Cross-Model Stress Test
- arxiv url: http://arxiv.org/abs/2610.30698v1
- Date: Thu, 22 Oct 2026 04:13:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.209531
- Title: Governance-State Corruption in Long-Term Memory for LLM Agents: A Cross-Model Stress Test
- Title（参考訳）: LLMエージェントの長期記憶におけるガバナンス・状態破壊--クロスモデルストレス試験
- Abstract要約: 731基のベンチマーク基底は2,080基の一致した断層対である。
オフラインのコントロールプレーンチェックでは、汚職は96.25%のペアで手術のプロジェクションを変更する。
クリーンマイナス崩壊したコントラストは、LongMemEvalバイナリの正しさで40.54ポイント、再スケールされたMemora FAMAで30.60ポイントである。
- 参考スコア（独自算出の注目度）: 0.7904480010022746
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An LLM agent can retrieve a memory correctly yet use it incorrectly after its validity state changes. We study governance-state corruption: faults that alter which retained records enter model-visible context while stored content and tasks remain fixed. Across six providers, 731 benchmark-grounded bases yield 2,080 matched fault pairs. In offline control-plane checks, corruption changes the operative projection in 96.25% of pairs, while oracle-backed enforcement restores it in 100%. For downstream evaluation, a deterministically selected, non-probability LongMemEval/Memora panel resolves 298 of 300 matched triplets (238 distinct bases). Clean-minus-corrupted contrasts are 40.54 percentage points in LongMemEval binary correctness (95% base-cluster interval [30.32, 50.71]) and 30.60 points in rescaled Memora FAMA ([23.31, 37.69]); both sources also show recovery. OAKS Novel native option parity holds for all 6,714 resolved outputs. Full-cohort frozen-scorer corruption/recovery effects (-27.55/+27.51 points) remain descriptive proxies, not validated native semantic population effects. These bounded findings motivate evaluating memory control-state integrity alongside retrieval accuracy.
- Abstract（参考訳）: LLMエージェントは、その有効状態が変化した後、メモリを正しく取得するが、誤って使用することができる。
保存されたコンテンツやタスクが固定されている間、保持されたレコードを変更する障害がモデル可視のコンテキストに入ります。
6つのプロバイダで、731のベンチマークベースが一致した2,080の障害ペアを生成する。
オフラインのコントロールプレーンチェックでは、汚職が手術のプロジェクションを96.25%のペアで変更し、オラクルが支援する執行機関が100%復元する。
下流評価では、決定論的に選択された非確率のLongMemEval/Memoraパネルが300個のマッチした三重項(238個の異なる基底)の298を分解する。
クリーンマイナス崩壊コントラストは、LongMemEvalバイナリの正しさ(95%ベースクラスタ間隔[30.32, 50.71])で40.54ポイント、再スケールされたMemora FAMA([23.31, 37.69])で30.60ポイントである。
OAKS 新しいネイティブオプションパリティは、6,714の解決されたアウトプットをすべて保持する。
フルコホートフリーズ・スコラーの破壊/回復効果(-27.55/+27.51点)は、ネイティブなセマンティックな集団効果を検証せず、記述的なプロキシのままである。
これらの有界な発見は、検索精度とともに記憶制御状態の整合性を評価する動機となっている。
関連論文リスト
- CASE: Cost-Aware Stopping for Efficient Long-Video Agents [47.793956973688616]
長ビデオエージェントのためのプラグイン終端フレームワークであるCASEを提案する。
Caseは、この決定をポリシー付きシーケンシャル・ストップとして表している。
軽量なリッジ回帰器は、この決定ギャップを学び、STOP/E決定を生成する。
論文 参考訳（メタデータ） (2026-10-04T17:35:33Z) - VIGIL: Verifier-Informed Gated Improvement Loop for Spreadsheet Question Answering [6.4443425508730625]
企業エージェントは、すべての修正がシステムの振る舞いを書き換えることなく、遅延したフィードバックから改善すべきである。
コーパスレベルのスプレッドシート質問応答に対する連続的ハーネス学習について検討した。
金のワークブックと期待されたタイプが供給されたことにより、アンゲートとデュアルゲートのフルリプレイは79の文書に対して82.4%と82.0%の精度に達した。
論文 参考訳（メタデータ） (2026-10-03T04:41:40Z) - Agent Error Dataset: Scaling 50,000 Error--Diagnosis Pairs for Failure Analysis and Error-Aware Post-Training [45.727227890697556]
我々は,9,961のソースタスクから50,228のエラー診断ペアからなるエージェントエラーデータセット(AED)を紹介した。
5段階のAgenic Error-to-Trainingパイプラインは自然の故障を収集し、診断と修正案を生成し、記録された証拠と照合する。
アクタートレーニングのレシピの比較において、アクションオンリーの修復トレーニングは成功オンリーのトレーニングよりもWebShop-liteの方が6.67ポイント高い。
論文 参考訳（メタデータ） (2026-09-30T16:40:22Z) - What Should an Agent Remember? Disentangling Retention from Retrieval in Bounded-Memory Evaluation [0.0]
メモリ評価は、保持と選択の両方が異なる方法を比較することで、決定を曖昧にすることができる。
我々は,ストリーミングリコールベンチマークの保持と選択ルールを構築し,同じ300個のシードエピソードのすべての条件を評価する。
メモリ境界評価はアクセス固定とレポート保持と選択を別々に行うべきであることを示す。
論文 参考訳（メタデータ） (2026-09-30T06:38:14Z) - Measuring Collapse and Correction in Homogeneous-Panel LLM Debate [51.03982042769297]
マルチエージェント大言語モデル(LLM)の議論は、最終回答が改善するかどうかによってしばしば評価されるが、運動は必ずしも改善されない。
標準的な最終精度評価は、これらの反対のメカニズムを詳述する。
複数選択質問(MCQ)に関する同質な議論のための監査可能なプロトコルを導入し、各実行を、崩壊、修正、オンセット、署名された介入ユーティリティよりも、遷移台帳として記録する。
論文 参考訳（メタデータ） (2026-09-28T14:31:19Z) - Causal Episodic Memory for Feedback-Driven Agent Repair [2.641347237473854]
オラクル認証のオンライン双極性メモリを保守するトレーニングフリーエージェントであるMERITを紹介する。
負のメモリが適度に寄与することを示し、型条件付けと語彙ランク付けの値はデータセットに依存し、スキーマローカルエクスペリエンスが最も一貫した利点を提供する。
論文 参考訳（メタデータ） (2026-08-06T11:34:03Z) - MemSecBench: Tracking Agent Memory Poisoning from Persistence to Consequence and Repair [11.307480451677145]
メモリシステムは、エージェントが過去のインタラクションから情報を保持、再利用することを可能にするが、悪意のあるコンテンツを持続させることもできる。
最近のベンチマークでは、エージェントメモリのセキュリティがますます調査されているが、永続性、下流の結果、選択的な修復など、同じ悪意のあるセマンティクスをトレースするケースはほとんどない。
MemSecBenchはエージェントメモリシステムのライフサイクルセキュリティのベンチマークである。
論文 参考訳（メタデータ） (2026-07-29T16:06:54Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - Control-Plane Placement Shapes Forgetting: An Architectural Study of Agent Memory Across Thirteen System Configurations [1.2763567932588586]
ForgetEvalは1000ケースのテンプレート・スイートと385ケースの対向層(手作り+253 LLMのオラクル・バリデーション)
決定論的プリミティブは語彙的・時間的カテゴリーで十分だが、正準化に失敗する。
1000ケースのテンプレートスイートと385ケースの反対層であるForgetEvalを通じて、トレードオフを公開しています。
論文 参考訳（メタデータ） (2026-06-14T16:32:15Z) - Getting Better at Working With You: Compiling User Corrections into Runtime Enforcement for Coding Agents [99.67681154381803]
Test-time Rule Acquisition and Compiled Enforcement (TRACE)は、コーディングエージェントランタイムのためのスキル層パイプラインである。
開発者が事前に記述した実行時チェックとは異なり、TRACEスキルはユーザのチャット修正に由来する。
論文 参考訳（メタデータ） (2026-06-11T10:43:40Z)
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。