論文の概要: Proactive Memory for Event-Driven LLM Agents

• arxiv url: http://arxiv.org/abs/2610.36967v1
• Date: Tue, 27 Oct 2026 10:23:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-29 04:15:49.25723
• Title: Proactive Memory for Event-Driven LLM Agents
• Title（参考訳）: イベント駆動型LLMエージェントのアクティブメモリ
• Abstract要約: Proactive Memoryは、履歴を最近の出来事、時間的軌跡、行動規則に整理する。 ProactiveStreamでは、ProactMemが52.6%の全体的な効果(F1)を達成した。
• 参考スコア（独自算出の注目度）: 20.323114023436236
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Proactive LLM agents anticipate service opportunities from ongoing observations and accumulated history. Existing approaches emphasize recent context or retrieval of related memories, providing limited support for validating recurring behavioral regularities and assessing their applicability to the current event. We propose Proactive Memory (ProactMem), which organizes history into recent events, temporal trajectories, and behavioral regularities. Trajectory facts are checked against source events, and regularities are assessed through historical replay before being matched to current conditions. We also construct ProactiveStream, a longitudinal benchmark covering three application scopes, where agents process isolated event streams chronologically under episode-aware opportunity labels. On ProactiveStream, ProactMem achieves an overall effectiveness (F1) of 52.6%, a 21.4% relative improvement over the strongest of five external baselines. Code is available at: https://anonymous.4open.science/r/ProactMem-5351/.
• Abstract（参考訳）: 積極的LLMエージェントは、進行中の観測と蓄積された履歴から、サービスの機会を期待する。 既存のアプローチは、最近の状況や関連する記憶の検索を強調し、繰り返し発生する行動規則の検証と、それらの現在の出来事への適用性を評価するための限定的なサポートを提供する。 本稿では,履歴を最近の出来事,時間的軌跡,行動規則に整理するProactive Memory(ProactMem)を提案する。 トラジェクティブ事実はソースイベントに対してチェックされ、レギュラリティは過去のリプレイを通じて評価され、現在の状況にマッチする。 また、3つのアプリケーションスコープをカバーする時系列ベンチマークであるProactiveStreamを構築し、エージェントは、エピソード認識の機会ラベルの下で、時系列的に孤立したイベントストリームを処理します。 ProactiveStreamでは、ProactMemが52.6%の全体的な効果(F1)を達成した。 コードは、https://anonymous.4open.science/r/ProactMem-5351/で入手できる。

関連論文リスト

• ProactEgoMem: Benchmarking Proactive Memory in Streaming Egocentric Video [67.97229831293886]
  本稿では,ストリーミングエゴセントリックビデオにおけるプロアクティブメモリを評価するベンチマークであるProactEgoMemを紹介する。 ベンチマークではプロトコルを2段階のプロアクティブ性で定義している。 パラレルのProactEgoMem-DailyとProactEgoMem-Sciトラックは、日常および科学的なユースケースをカバーする300/100のクリップを含んでいる。
  論文  参考訳（メタデータ） (2026-10-21T17:37:58Z)
• EMBER-Bench: Benchmarking Cross-Event Causal Memory in Long-Horizon Embodied Tasks [14.32353300986149]
  我々は,長距離エンボディタスクにおけるクロスイベント因果推論のためのエゴセントリックなベンチマークEMBER-Benchを紹介する。 189の家庭用タスクと699のQAペアが含まれており、タスクの進捗、障害回復、外部介入、複合ロングホライゾンタスクで構成されている。 次アクション予測は、履歴から次のアクションを選択し、因果トレースバックは、そのアクションが必要とする歴史的事象を特定する。
  論文  参考訳（メタデータ） (2026-10-04T07:14:05Z)
• Memory Control Signals Emerge Before Action in Long Horizon Agents [55.84813053778976]
  各エージェントアクションの直前に隠された状態を調べ、圧縮とリコールの要求がモデルの内部表現にすでにエンコードされていることを確認する。 本研究では,状態誘導圧縮と外部エビデンス検索を組み合わせたPreaction Memory with Evidence Retrieval (PaMER)を提案する。
  論文  参考訳（メタデータ） (2026-09-23T03:23:34Z)
• ProEvent: An Event-centric Benchmark for Proactive Agents [41.03981463319731]
  ProEventは、エージェントがユーザのタイムテーブルを積極的にメンテナンスする能力を評価するために設計された、最初のイベント中心のベンチマークである。 ProEventは、ユーザ間の動的インタラクション、同時チャットスレッド、実世界のノイズを考慮した、合成されながら現実的なチャットを提供する。
  論文  参考訳（メタデータ） (2026-07-20T08:48:36Z)
• 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)
• Causal Past Logic for Runtime Verification of Distributed LLM Agent Workflows [0.0]
  私たちはCausal Past Logic (CPL)でZipperGenエージェントワークフローフレームワークを拡張します。 CPLは、条件付きおよびループ中のガードのための小さな時間論理である。 我々は,最新の値ビューを持つベクトル時計を提示し,局所的に計算されたモニタ値が現在のイベントにおけるガードの意味論的意味と一致することを証明した。
  論文  参考訳（メタデータ） (2026-05-20T09:09:13Z)
• MemCast: Memory-Driven Time Series Forecasting with Experience-Conditioned Reasoning [14.55564396232952]
  時系列予測(TSF)は多くの実世界のアプリケーションにおいて意思決定において重要な役割を果たす。 MemCastは、経験条件推論タスクとしてTSFを再構成する学習から記憶へのフレームワークである。
  論文  参考訳（メタデータ） (2026-02-03T06:31:40Z)
• Exploring the Limits of Historical Information for Temporal Knowledge Graph Extrapolation [59.417443739208146]
  本稿では,歴史的コントラスト学習の新しい学習枠組みに基づくイベント予測モデルを提案する。 CENETは、最も潜在的なエンティティを識別するために、歴史的および非歴史的依存関係の両方を学ぶ。 提案したモデルを5つのベンチマークグラフで評価する。
  論文  参考訳（メタデータ） (2023-08-29T03:26:38Z)
• CoSeg: Cognitively Inspired Unsupervised Generic Event Segmentation [118.18977078626776]
  イベントセグメンテーション/バウンダリ検出のためのエンドツーエンドの自己教師型学習フレームワークを提案する。 本フレームワークは, イベント境界を再構成誤差で検出するトランスフォーマーに基づく特徴再構成手法を利用する。 私たちの研究の目標は、特定のイベントをローカライズするのではなく、ジェネリックイベントをセグメント化することです。
  論文  参考訳（メタデータ） (2021-09-30T14:40:32Z)

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。