論文の概要: Lifelong Context Adaptation through Bidirectional Memory-Skill Learning

• arxiv url: http://arxiv.org/abs/2610.32295v1
• Date: Fri, 23 Oct 2026 07:53:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.426588
• Title: Lifelong Context Adaptation through Bidirectional Memory-Skill Learning
• Title（参考訳）: 双方向記憶スキル学習による生涯コンテキスト適応
• Abstract要約: 本稿では,メモリとスキルの双方向学習を通じて,生涯のコンテキスト適応を実現するフレームワークであるMemCrystを紹介する。 メモリサポートスキル作成とリビジョンに格納されたエピソードの再帰と、それらのスキルによってガイドされたインタラクションは、その後の学習に新たなメモリを提供する。 インボディードコントロール、長期ドキュメント読み込み、会話、数学、コードにまたがる10の設定で、MemCrystは7つのレポートされた比較をリードする。
• 参考スコア（独自算出の注目度）: 27.83300796517374
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lifelong LLM agents must learn from an expanding history of interactions while making each decision within a bounded context window. Memory makes past experience available, but the agent may still need to infer how to solve each new task from the retrieved records. Skills provide reusable procedures, yet may omit the task-specific facts needed to apply them. Because retrieved memory and skills shape the agent's behavior, they also influence the experience available for future learning. We introduce MemCryst, a framework for lifelong context adaptation through bidirectional learning of memory and skills with a frozen language model. Recurring episodes stored in memory support skill creation and revision, and the interactions guided by those skills supply new memory for subsequent learning. Facts retrieved from memory and learned skills jointly form the agent's context, while task outcomes adjust the future retrieval influence of the records actually served without rewriting their content. Across ten settings spanning embodied control, long-document reading, conversation, mathematics, and code, MemCryst leads seven reported comparisons. On ALFWorld, joint serving achieves 63.17% success, compared with 59.83% for memory-only and 50.50% for skill-only serving. Code is available at https://github.com/tianyi0216/Memcryst.git
• Abstract（参考訳）: 生涯 LLM エージェントは、境界付きコンテキストウィンドウ内で各決定をしながら、相互作用の広がりの歴史から学ぶ必要がある。 メモリは過去の経験を利用できるが、エージェントは検索したレコードから新しいタスクの解決方法を推測する必要があるかもしれない。 スキルは再利用可能な手順を提供するが、それらを適用するのに必要なタスク固有の事実を省略する可能性がある。 検索した記憶とスキルがエージェントの行動を形成するため、将来の学習に利用できる経験にも影響を及ぼす。 本稿では,フリーズ言語モデルを用いて,メモリとスキルの双方向学習を通じて,生涯のコンテキスト適応を実現するフレームワークであるMemCrystを紹介する。 メモリサポートスキル作成とリビジョンに格納されたエピソードの再帰と、それらのスキルによってガイドされたインタラクションは、その後の学習に新たなメモリを提供する。 記憶と学習スキルから取得した要素はエージェントのコンテキストを共同で形成する一方、タスクの結果は、内容を書き換えることなく、実際に提供されるレコードの将来的な検索の影響を調整します。 インボディードコントロール、長期ドキュメント読み込み、会話、数学、コードにまたがる10の設定で、MemCrystは7つのレポートされた比較をリードする。 ALFWorldでは、ジョイントサーブが63.17%、メモリオンリーが59.83%、スキルオンリーが50.50%である。 コードはhttps://github.com/tianyi0216/Memcryst.gitで入手できる。

関連論文リスト

• Memory-Centric Continual Learning for AI Agents [74.6399383050059]
  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。
  論文  参考訳（メタデータ） (2026-10-21T07:49:42Z)
• 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)
• From Passive Retrieval to Active Memory Navigation: Learning to Use Memory as a Structured Action Space [27.456426188493094]
  NapMemは、ユーザ履歴をリンクされた多粒度メモリピラミッドにまとめる。 エージェントはクエリと中間的なエビデンスに従ってメモリを選択するように訓練される。
  論文  参考訳（メタデータ） (2026-07-07T03:47:12Z)
• 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)
• MemSkill: Learning and Evolving Memory Skills for Self-Evolving Agents [29.375397774491887]
  ほとんどのLarge Language Model (LLM) エージェントメモリシステムは、メモリを抽出するために静的で手作業で設計された小さな操作に頼っている。 textbfMemSkillは、これらの操作を学習可能で進化可能なメモリスキルとして再構成する。
  論文  参考訳（メタデータ） (2026-02-02T18:53:28Z)
• MetaMem: Evolving Meta-Memory for Knowledge Utilization through Self-Reflective Symbolic Optimization [57.17751568928966]
  自己進化型メタメモリでメモリシステムを拡張するフレームワークであるMetaMemを提案する。 メタメモリ最適化の間、MetaMemは異なるタスク間で伝達可能な知識利用経験を反復的に蒸留する。 大規模な実験ではMetaMemの有効性が示され、これは強いベースラインを3.6%以上上回っている。
  論文  参考訳（メタデータ） (2026-01-27T04:46:23Z)
• 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)
• Memorization and Knowledge Injection in Gated LLMs [8.305942415868042]
  大規模言語モデル(LLM)は、現在、シーケンシャルに新しい記憶を追加し、新しい知識を統合するのに苦労している。 Gated LLM (MEGa) に埋め込まれたメモリは、イベントメモリを直接 LLM の重みに注入する。 推論中、ゲーティング機構は、クエリの埋め込みとストアドメモリの埋め込みとをマッチングすることで、関連するメモリ重みを活性化する。
  論文  参考訳（メタデータ） (2025-04-30T00:28:32Z)

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。