論文の概要: Memory Tax: Dissecting the Net Value of Agent Memory

• arxiv url: http://arxiv.org/abs/2610.34073v1
• Date: Sun, 25 Oct 2026 05:29:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.529792
• Title: Memory Tax: Dissecting the Net Value of Agent Memory
• Title（参考訳）: メモリ税:エージェントメモリの純価値を分離する
• Abstract要約: メモリは、長い水平エージェントで使われることが多いが、生の履歴から直接検索するよりも、メモリを構築することの純価値はほとんど不明である。 RAGを参照として、メモリの純値から直接検索の利得と損失に分解する。 これらの利得と損失は、メモリプロセスが生の情報を整理してアクセスする方法を変えるために生じる。
• 参考スコア（独自算出の注目度）: 38.596853085768345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Memory is increasingly used in long-horizon agents, yet the net value of building memory over direct retrieval from raw history remains largely unclear. Through a large-scale evaluation across multiple benchmarks and model backbones, we find many dedicated memory systems underperform naive RAG in many cases, indicating a negative net value. Taking RAG as a reference, we dissect the net value of memory into the gains and losses over direct retrieval, termed memory benefit and memory tax. These gains and losses arise because memory process changes how the raw information is organized and accessed. We view such changes as the double-edged deviations from the raw history. They are originally designed and introduced to benefit the task, for example by reorganizing facts or distilling preferences, but some may also remove or obscure evidence, giving rise to memory tax. Since memory benefit reflects the expected gains of its design, we then focus more on the overlooked memory tax, study how it arises from the system and evaluation side, and generalize the concept to more application scenarios of memory. We hope the notion of memory tax can provide a new lens and shift more attention from standalone performance to the net value of memory, informing more reliable memory designs and evaluations. We will open-source the code and results to the community. Project Page: https://hexuan21.github.io/MemoryTax/
• Abstract（参考訳）: メモリは、長い水平エージェントで使われることが多いが、生の履歴から直接検索するよりも、メモリを構築することの純価値はほとんど不明である。 複数のベンチマークやモデルバックボーンにまたがって大規模な評価を行うことで、多くの専用メモリシステムにおいて、負のネット値を示すナイーブRAGの性能が低いことが判明した。 RAGを基準として、メモリの純価値を直接検索、メモリ利得、メモリ税よりも利益と損失に分解する。 これらの利得と損失は、メモリプロセスが生の情報を整理してアクセスする方法を変えるために生じる。 このような変化は、生の歴史からの二重端偏差として見なされる。 元々は事実を再編成したり、好みを蒸留したりすることで、この作業に役立てるために設計され、導入されたが、一部では証拠を除去したり、曖昧にしたりし、記憶税を発生させることもある。 メモリの利点は、その設計の期待される利益を反映しているため、見落とされがちなメモリ税に注目し、それがシステムや評価側からどのように生じるかを調べ、その概念をメモリのアプリケーションシナリオに一般化する。 メモリ税の概念が新たなレンズを提供し、スタンドアローンのパフォーマンスからメモリの純価値へと注目を移し、より信頼性の高いメモリ設計と評価を実現できることを願っている。 コードをオープンソースにして、その結果をコミュニティに公開します。 Project Page: https://hexuan21.github.io/MemoryTax/

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)
• Mechanistic Attention Guidance for Agent Memory Refinement [32.57216046158823]
  検索ヘッドアテンションは,セグメントレベルのメモリ使用量を明らかにするためのメカニスティック信号を提供する。 本稿では,注意による利用パターンを用いてセグメントレベルのメモリ更新を誘導するフレームワークであるAttention-Guided Memory Refinement (AGMR)を提案する。
  論文  参考訳（メタデータ） (2026-07-20T07:17:50Z)
• 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)
• MemSyco-Bench: Benchmarking Sycophancy in Agent Memory [32.49512092540906]
  MemSyco-Benchは、エージェントシステムにおけるメモリ誘起性を評価するためのベンチマークである。 MemSyco-Benchは、いつメモリが決定に影響を及ぼすか、どのように有効なメモリを使用するかを測定する。
  論文  参考訳（メタデータ） (2026-07-01T15:30:33Z)
• 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)
• EvoMemBench: Benchmarking Agent Memory from a Self-Evolving Perspective [21.66000179149483]
  EvoMemBenchは、メモリスコープとメモリ内容の2つの軸に沿って編成された統一ベンチマークである。 本稿では,15個の代表記憶法と強い長文ベースラインを標準プロトコルで比較する。 結果は、現在のメモリシステムは、まだ一般的な解決策には程遠いことを示している。
  論文  参考訳（メタデータ） (2026-05-18T13:54:38Z)
• 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)
• Remember Me, Refine Me: A Dynamic Procedural Memory Framework for Experience-Driven Agent Evolution [52.76038908826961]
  我々は静的ストレージと動的推論のギャップを埋めるため、$textbfReMe$ ($textitRemember Me, Refine Me$)を提案する。 ReMeは3つのメカニズムを通じてメモリライフサイクルを革新する: $textitmulti-faceted distillation$, きめ細かい経験を抽出する。 BFCL-V3とAppWorldの実験では、ReMeが新しい最先端のエージェントメモリシステムを確立している。
  論文  参考訳（メタデータ） (2025-12-11T14:40:01Z)

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。