論文の概要: The Value of Memory in Language Agents

• arxiv url: http://arxiv.org/abs/2610.31303v2
• Date: Mon, 26 Oct 2026 04:46:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.202147
• Title: The Value of Memory in Language Agents
• Title（参考訳）: 言語エージェントにおける記憶の価値
• Abstract要約: メモリは、言語エージェントが過去の経験と有用な区別を将来の決定に伝達することを可能にする。 我々は、この価値を生の履歴から永続的な状態、運用利用、コストのかかる回復と修正を通じて追従する決定論的枠組みを開発する。
• 参考スコア（独自算出の注目度）: 13.933945280129043
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Memory enables language agents to carry useful distinctions from past experience into future decisions. Its value depends on which distinctions survive, whether a bounded agent can use them, and what can be recovered or revised as demands evolve. We develop a decision-theoretic framework that follows this value from raw history through persistent state, operational use, and costly recovery and revision. Original and retained value are expressed in units of avoided task loss; risk-cost frontiers describe attainable recovery and preservation across uses. Unknown demand yields value profiles, while interactive feedback changes the distribution of future work. A cost-aware simulation condition and five minimal counterexamples expose the roles of information timing, retrieval access, component interaction, feedback and demand uncertainty. In particular, a pointer with zero mutual information about the answer can still reduce the cost of exact recovery. Diagnostics on LoCoMo, a two-project update task and longitudinal cases exhibit failures of preservation, use and measurement. At fixed retrieved evidence, a saved ledger changes subsequent answers; at fixed agent outputs, an evaluator revision changes scores. The framework connects these distinctions to operational risk bounds and testable principles for allocating memory, preserving recovery options and revising evidence dependencies.
• Abstract（参考訳）: メモリは、言語エージェントが過去の経験と有用な区別を将来の決定に伝達することを可能にする。 その価値は、どの区別が生き残るか、境界付けられたエージェントがそれらを使用することができるか、要求が進化するにつれて回復されるか、あるいは修正されるかによって決まる。 我々は、この価値を生の履歴から永続的な状態、運用利用、コストのかかる回復と修正を通じて追従する決定論的枠組みを開発する。 原価と維持価値は、回避されたタスク損失の単位で表され、リスクコストフロンティアは、使用中の達成可能な回復と保存を記述している。 未知の需要は価値プロファイルをもたらし、対話的なフィードバックは将来の作業の分布を変える。 情報タイミング,検索アクセス,コンポーネントインタラクション,フィードバック,要求不確実性といった役割を,コスト対応のシミュレーション条件と5つの最小限の反例で明らかにする。 特に、回答に関する情報がゼロのポインタは、正確なリカバリのコストを削減できる。 LoCoMoの診断は、2つのプロジェクト更新タスクと長手ケースで保存、使用、測定の失敗を示す。 固定された取得されたエビデンスでは、保存された台帳がその後の回答を変更し、固定されたエージェント出力では、評価器のリビジョンがスコアを変更する。 このフレームワークはこれらの区別を、運用上のリスクバウンダリと、メモリ割り当て、リカバリオプションの保存、エビデンス依存関係の修正のためのテスト可能な原則に結びつける。

関連論文リスト

• Lost in Recovery: Demystifying Recovery Behavior of Computer-Use Agents via Goal-Oriented Action Replay [63.05870209824107]
  本稿では,コンピュータ利用エージェントの回復行動を研究するためのスケーラブルな評価フレームワークReTraceを提案する。 我々は、制御されたエラーインジェクションの後にゴール指向のアクションリプレイによって、この基準を運用する。 ReTraceを用いて、自律型モデルベースリカバリに関する最初の体系的研究を行う。
  論文  参考訳（メタデータ） (2026-10-20T09:59:12Z)
• Gated Memory: Admission-Controlled Memory Formation for Conversational AI [0.9685837672183748]
  本稿では,会話と記憶の2つの決定チェックポイントを介する軽量なモジュール構成フレームワークを提案する。 Gated Memory は強いベースラインに対して LLM-judge の精度を総じて 2.6% 向上させる。
  論文  参考訳（メタデータ） (2026-10-08T05:27:02Z)
• Rollback the World, Keep the Reflection: Rollback-Induced Reflection for Long-Horizon LLM Agents [56.434418859203085]
  大規模言語モデル(LLM)エージェントは、多段階の環境相互作用を通じて、長い水平タスクに対処する。 単一の誤動作は、その後の状態や観測を変更でき、時間とともにエラーが複雑になる。 信頼性回復はロールバック境界制御問題として扱われるべきである。
  論文  参考訳（メタデータ） (2026-09-16T08:26:14Z)
• Safety in Self-Evolving Agents: A Survey [65.20955577335691]
  大きな言語モデル(LLM)は強力な汎用能力を示すが、そのパラメータは通常、デプロイ後に固定され、新しいインタラクションからの学習が制限される。 経験が再利用可能な状態になり、過去の出来事が将来の原因になり、ある文脈で無害な情報が後により大きな永続性、権威、あるいは範囲で決定に影響を与える可能性がある。 私たちは、再利用可能な影響を特定する移行中心のフレームワークであるSAVERを導入し、Adaptationは変更の仕方を捉え、Violationは破損した安全属性を特定し、障害が観測可能な露出マークを識別し、Responseは封じ込め、修復、取り消しを評価します。
  論文  参考訳（メタデータ） (2026-09-08T05:04:40Z)
• Towards Reversible Forgetting: Managing Obsolete Knowledge in Continual Enterprise AI Agents [0.0]
  継続的な学習は伝統的に忘れを失敗として扱い、環境が進化するにつれて獲得した知識の保存を強調する。 この目的は、非定常環境で動作するエンタープライズAIエージェントには不完全である、と我々は主張する。 本稿では,3つの動作記憶状態 – アクティブ,休眠状態,退職状態 – と,関連する知識を回復可能な再活性化遷移を備えた概念的フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-18T00:38:46Z)
• TARL: Transaction-Aware Reliable Ledgers for Executable Memory Management in Long-Term Agents [20.123133746969398]
  メモリ状態更新フレームワークであるTARLを導入し、各ステートメントを5つの実行可能なアクションのうちの1つにマップする。 TARLは、影響を受けるメモリを特定し、その時間的スコープを解決し、ソースの信頼性を比較し、受け入れ、保留、拒否された台帳を更新する。 また、粒度の細かいアクションラベルと次の状態目標を持つベンチマークであるTARL-Memについても紹介する。
  論文  参考訳（メタデータ） (2026-08-04T14:02:55Z)
• When Should Active RAG Retrieve? A Budget-Aware Evaluation of Utility, Calibration, and Cost [11.216720435946804]
  予算を意識したアクティブRAG評価は、フロンティア、実現された使用法、しきい値転送エラー、ハーモレート、コスト分解を精度とともに報告すべきである。 トリガースコアが有用な検索判断をランク付けするかどうか、過去のデータで調整されたしきい値が将来の予算を満たすかどうか、トリガーサイドがどのようにデプロイメントコストを変更するか、という3つの質問を運用します。
  論文  参考訳（メタデータ） (2026-07-27T05:17:06Z)
• MemOps: Benchmarking Lifecycle Memory Operations in Long-Horizon Conversations [50.24315431387575]
  ライフサイクル操作のシーケンスとして会話メモリを再構成するベンチマークであるMemOpsを紹介する。 MemOpsは、それぞれのメモリイベントをトリガ、ターゲット、スコープ、状態遷移、エビデンスを指定した構造化トレースで表現する。 長いコンテキスト、検索ベース、パラメトリック、マネージドメモリシステムにわたって、MemOpsはファイナ・アンサーの精度のみを隠蔽する障害モードをアンタングルする。
  論文  参考訳（メタデータ） (2026-07-14T15:33:44Z)
• FRESCO: Benchmarking and Optimizing Re-rankers for Evolving Semantic Conflict in Retrieval-Augmented Generation [73.22935457705057]
  時間的動的文脈における再ランカ評価のためのベンチマークであるFRESCOを紹介する。 レクエンシ検索クエリと過去のウィキペディアのリビジョンを組み合わせることで、FRESCOは、セマンティックな関連性を維持しながら、リランカが事実として最新の証拠を優先順位付けできるかどうかをテストする。 我々の評価では、既存の再ランカ間で一貫した障害モードが明らかになっている。
  論文  参考訳（メタデータ） (2026-04-14T17:04:25Z)

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。