論文の概要: Adaptive Memory Index Evolution for Agents

• arxiv url: http://arxiv.org/abs/2610.34977v1
• Date: Mon, 26 Oct 2026 07:50:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.789194
• Title: Adaptive Memory Index Evolution for Agents
• Title（参考訳）: エージェントの適応メモリインデックス進化
• Abstract要約: ロングホライゾンエージェントは継続的に経験を蓄積するが、メモリを保持することは必要な時にアクセスを保証しない。 既存のシステムでは、メモリの内容とアクセスの両方に適応することが可能であり、永続的なアクセス更新を制御された適応層として分離する。 このターゲットをメモリインデックス進化として定式化し、適応メモリインデックス進化(AMIE)でインスタンス化する。 AMIEは、格納されたコンテンツを変更したり、ホストメモリシステムを再トレーニングすることなく、デプロイメントの検索からメモリ単位のアクセス状態を進化させる。
• 参考スコア（独自算出の注目度）: 15.701855809190358
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-horizon agents continually accumulate experience, yet retaining a memory does not guarantee access when it is needed. Existing systems can adapt both memory content and access; we isolate persistent access updates as a separately controlled adaptation layer. We formulate this target as Memory Index Evolution and instantiate it with Adaptive Memory Index Evolution (AMIE), a lightweight plug-in layer that evolves per-memory access state from deployment retrievals without modifying stored content or retraining the host memory system. AMIE distils a semantic teacher's keep/suppress judgments into a retrieval-conditioned policy and accumulates its selective actions into bounded state that reweights subsequent host retrievals. Surprisingly, even a zero-call policy that simply accumulates retrieval frequency can match or outperform semantic policies in several settings, revealing retrieval traffic itself as a strong signal for access adaptation, while learned selectivity improves robustness when frequently retrieved memories remain useful. Across five retrieval-based hosts and three benchmarks, trained AMIE improves downstream F1 or accuracy in all 15 comparisons, by 0.70--3.37 percentage points (up to 25% relative), and improves retrieval in all 10 comparisons. Controlled analyses show that persistent competitor suppression can expose previously unseen evidence, while suppressing repeatedly useful memories creates the complementary failure mode. Together, these results establish persistent memory access as a practical adaptation layer, distinct from the content it serves, in retrieval-based agent memory systems.
• Abstract（参考訳）: ロングホライゾンエージェントは継続的に経験を蓄積するが、メモリを保持することは必要な時にアクセスを保証しない。 既存のシステムでは、メモリの内容とアクセスの両方に適応することが可能であり、永続的なアクセス更新を個別に制御された適応層として分離する。 このターゲットをメモリインデックス進化(Memory Index Evolution)として定式化し、アダプティブメモリインデックス進化(Adaptive Memory Index Evolution, AMIE)でインスタンス化する。 AMIEは、セマンティック教師の保持/抑圧判断を検索条件付きポリシーに利用し、選択されたアクションを境界状態に蓄積し、その後のホスト検索を重み付けする。 意外なことに、検索頻度を単純に蓄積するゼロコールポリシーでさえ、セマンティックポリシーをいくつかの設定でマッチまたは性能良くし、検索トラフィック自体をアクセス適応のための強力な信号として明らかにする一方で、学習された選択性は、頻繁に検索された記憶が有用であるときに堅牢性を向上させる。 5つの検索ベースのホストと3つのベンチマークで、訓練されたAMIEは、全15比較で下流F1または精度を0.70～3.37ポイント(最大25%の相対)改善し、全10比較で検索を改善する。 制御された解析により、永続的な競合抑制は、これまで見つからなかった証拠を露呈する一方で、繰り返し有用な記憶を抑圧することは相補的な障害モードを生成する。 これらの結果は、検索ベースのエージェントメモリシステムにおいて、コンテンツとは異なる実用的な適応層として永続的なメモリアクセスを確立する。

関連論文リスト

• Retrieval-Driven Memory Reconsolidation for Long-Term LLM Agents [39.55670043123564]
  既存のメモリシステムは、新しい情報が到着したときにメモリを更新する。 検索フィードバックは、将来のアクセスのためにメモリを再編成するために利用されることはめったにない。 LLMエージェントの長期記憶を継続的に進化させるフレームワークである textbfREALM を提案する。
  論文  参考訳（メタデータ） (2026-09-13T05:17:37Z)
• CoEvo-Mem: Co-Evolving Retrieval Policy and Memory Bank for LLM Agents [12.963751758893594]
  本稿では,検索ポリシとメモリバンクを併用するクローズドループフレームワークを提案する。 textbfCoEvo-Memは7つのベンチマークで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-08-03T06:04:51Z)
• MEMPROBE: Probing Long-Term Agent Memory via Hidden User-State Recovery [58.64329475683699]
  我々は、長期記憶は監査可能な相互作用後のアーティファクトとして評価されるべきであると主張している。 我々は、メモリを備えたエージェントがシミュレーションユーザを支援するベンチマークであるMEMPROBEで、このビューをインスタンス化する。 私たちは、成功したアシストと回復可能なメモリが、異なる機能として振る舞うことに気付きました。
  論文  参考訳（メタデータ） (2026-06-23T13:52:46Z)
• Memory is Reconstructed, Not Retrieved: Graph Memory for LLM Agents [51.30250860677378]
  本稿では,連想記憶グラフとアクティブな再構成機構を組み合わせたフレームワークであるMRAgentを提案する。 Cue-Tag-Contentグラフ上で実行することで,メモリアクセスに直接推論を統合する。 LoCoMoベンチマークとLongMemEvalベンチマークの実験は、強いベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2026-06-04T11:29:46Z)
• EvolveMem:Self-Evolving Memory Architecture via AutoResearch for LLM Agents [80.59925936278162]
  本稿では,自己進化型メモリアーキテクチャであるEvolveMemについて述べる。 このクローズループの自己進化はAutoResearchプロセスを実現している。システムは自力で独自のアーキテクチャ上で反復的な研究サイクルを実行し、手動構成のチューニングを置き換える。
  論文  参考訳（メタデータ） (2026-05-13T17:12:44Z)
• Semantic-Aware Adaptive Visual Memory for Streaming Video Understanding [55.7992006853979]
  SAVEMemは、セマンティックな認識をメモリ生成にもたらすフレームワークで、クエリ毎に検索スコープを適応させる。 SAVEMemは、メモリ生成にセマンティックな認識をもたらし、クエリ毎に検索範囲を適応させる、トレーニングフリーのデュアルステージフレームワークである。
  論文  参考訳（メタデータ） (2026-05-08T15:40:40Z)
• Evoking User Memory: Personalizing LLM via Recollection-Familiarity Adaptive Retrieval [59.295767860331004]
  RF-Memは、親しみやすい不確実性誘導デュアルパスメモリレトリバーである。 それは、人間のようなデュアルプロセス認識をレトリバーに埋め込む。 一定の予算とレイテンシの制約の下で、ワンショット検索とフルコンテキスト推論を一貫して上回る。
  論文  参考訳（メタデータ） (2026-03-10T06:31:44Z)
• AMA: Adaptive Memory via Multi-Agent Collaboration [54.490349689939166]
  複数の粒度にまたがるメモリ管理に協調エージェントを活用する新しいフレームワークであるAMA(Adaptive Memory via Multi-Agent Collaboration)を提案する。 AMAは、ステート・オブ・ザ・アートのベースラインを著しく上回り、トークンの消費をフルコンテキストの手法と比べて約80%削減する。
  論文  参考訳（メタデータ） (2026-01-28T08:09:49Z)
• SEDM: Scalable Self-Evolving Distributed Memory for Agents [23.182291416527764]
  SEDMは、メモリをパッシブリポジトリからアクティブな自己最適化コンポーネントに変換する検証可能で適応的なフレームワークである。 また,SEDMは,強いメモリベースラインに比べてトークンオーバーヘッドを低減しつつ,推論精度を向上することを示した。 結果は、SEDMをオープンエンドのマルチエージェントコラボレーションのためのスケーラブルで持続可能なメモリメカニズムとして強調する。
  論文  参考訳（メタデータ） (2025-09-11T14:37:37Z)

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。