論文の概要: TrawMem: Reframing Agent Memory as Task-Oriented Role-Adaptive Workspaces

• arxiv url: http://arxiv.org/abs/2610.36918v1
• Date: Tue, 27 Oct 2026 09:46:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-29 04:15:49.252944
• Title: TrawMem: Reframing Agent Memory as Task-Oriented Role-Adaptive Workspaces
• Title（参考訳）: TrawMem: タスク指向のロール適応ワークスペースとしてのエージェントメモリのリフレーミング
• Abstract要約: 大規模言語モデル(LLM)エージェントは、長期的な相互作用を活用するためにメモリシステムに依存している。 関連性だけでは、メモリがタスク解決にどのように貢献するかは特徴づけられません。 本稿では,対話履歴をローカルスレッドに整理し,タスク指向のワークスペースを構築するTrawMemを提案する。
• 参考スコア（独自算出の注目度）: 23.923400775914264
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model (LLM) agents rely on memory systems to leverage long-term interactions, yet existing systems typically retrieve memories based on their relevance to the current query and use them as contextual evidence. However, relevance alone does not characterize how a memory contributes to task solving: the same memory may serve different roles across tasks, such as directly supporting the answer or linking to complementary memories with weaker semantic relevance but necessary information. We therefore reframe agent memory systems as Task-Oriented Role-Adaptive Workspaces, where memories are selected and organized by their task-oriented roles and relations. Based on this view, we propose TrawMem, which organizes interaction histories into local threads and constructs task-oriented workspaces by assigning roles and jointly selecting complementary memories. Experiments on LoCoMo and MemGallery with four open- and closed-source backbones show consistent improvements over representative memory systems, with macro-F1 gains of 2.23-3.14 points. On LoCoMo, TrawMem improves the LLM-Judge score over SimpleMem by 4.07 and 4.31 percentage points on Qwen3.5-9B and DeepSeek-V4-Flash, respectively, while requiring approximately 12.8% and 5.1% fewer context tokens, respectively.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、長期の相互作用を活用するためにメモリシステムに依存するが、既存のシステムは、現在のクエリとの関連性に基づいてメモリを検索し、コンテキスト証拠として使用するのが一般的である。 しかし、関連性だけは、メモリがタスク解決にどのように貢献するかを特徴付けていない:同じメモリは、直接、または、より弱い意味的関連性を持つ補完的なメモリにリンクするなど、タスク間で異なる役割を果たす可能性がある。 そこで我々は,エージェント・メモリ・システムをタスク指向のロール・アダプティブ・ワークスペースとして再編成し,タスク指向の役割と関係によってメモリを選択・整理する。 この観点から,インタラクション履歴をローカルスレッドに整理し,役割を割り当て,補完記憶を共同選択することでタスク指向のワークスペースを構築するTrawMemを提案する。 LoCoMoとMemGalleryの4つのオープンソースとクローズドソースのバックボーンによる実験では、マクロF1のゲインが2.23-3.14ポイントで、代表メモリシステムよりも一貫した改善が見られた。 LoCoMoでは、TrawMemはSimpleMemよりもLCM-Judgeスコアを4.07ポイント、Qwen3.5-9BとDeepSeek-V4-Flashで4.31ポイント改善し、それぞれ約12.8%と5.1%のコンテキストトークンを必要とする。

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)
• Event-Centric Memory with Query-Aware Graph Augmentation for Long-Term Conversational Agents [51.804747364500344]
  本稿では,人間の記憶を動機とした新しいメモリ構築とアクティベーションフレームワークQGMemを提案する。 QGMemは、長い対話履歴を個々の体験を保存するイベントインデックス化された原子記憶ユニットに変換する。 検索,マルチホップエビデンス構成,コンフリクト解決,コンパクトな文脈による超長文対話推論において,一貫した利得を示す。
  論文  参考訳（メタデータ） (2026-10-08T13:17:59Z)
• 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)
• 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)
• Choosing How to Remember: Adaptive Memory Structures for LLM Agents [43.27579458682491]
  メモリは、大きな言語モデル(LLM)ベースのエージェントが長い水平相互作用に対するコヒーレントな振舞いを維持するために重要である。 LLMエージェントに適応的なメモリ構成を可能にする統合フレームワークFluxMemを提案する。 PERSONAMEMとLoCoMoの2つのロングホライゾンベンチマーク実験により,本手法が平均改善率9.18%と6.14%を達成することを示した。
  論文  参考訳（メタデータ） (2026-02-15T07:56:24Z)
• Evaluating Memory in LLM Agents via Incremental Multi-Turn Interactions [22.190297901876278]
  メモリエージェントに不可欠な4つのコア能力、すなわち、正確な検索、テスト時間学習、長距離理解、選択的忘れの4つを特定した。 既存のベンチマークは、限られたコンテキスト長に依存するか、書籍ベースのQAのような静的で長いコンテキスト設定用に調整されている。 メモリエージェント用に特別に設計された新しいベンチマークであるMemoryAgentBenchを紹介する。
  論文  参考訳（メタデータ） (2025-07-07T17:59:54Z)
• MEM1: Learning to Synergize Memory and Reasoning for Efficient Long-Horizon Agents [84.62985963113245]
  我々は,長時間のマルチターンタスクに対して,エージェントが一定のメモリで動作可能な,エンドツーエンドの強化学習フレームワークMEM1を紹介する。 各ターンでMEM1は、メモリ統合と推論を共同でサポートするコンパクトな共有内部状態を更新する。 その結果,MEM1-7Bは16目的のマルチホップQAタスクにおいて,Qwen2.5-14B-Instructと比較してメモリ使用量を3.7倍削減し,3.5倍の性能向上を示す。
  論文  参考訳（メタデータ） (2025-06-18T19:44:46Z)
• On the Structural Memory of LLM Agents [20.529239764968654]
  メモリは、大規模言語モデル(LLM)ベースのエージェントが複雑で長期的な相互作用を行えるようにするための重要な役割を担っている。 本稿では,メモリ構造とメモリ検索手法がLCMエージェントの性能に与える影響について検討する。
  論文  参考訳（メタデータ） (2024-12-17T04:30:00Z)

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。