論文の概要: MEMIG: Self-evolving Memory Construction for Antibody Optimization

• arxiv url: http://arxiv.org/abs/2610.41245v1
• Date: Fri, 30 Oct 2026 04:39:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.615376
• Title: MEMIG: Self-evolving Memory Construction for Antibody Optimization
• Title（参考訳）: MEMIG: 抗体最適化のための自己進化型メモリ構築
• Abstract要約: 生物分子最適化のためのエージェントメモリは、インデックス化、定量化、構造化されるべきである。 MEMIGは各洞察をドメイン基底識別子で処理し、特性オラクルによって測定された定量的効果を蓄積する。 以上の結果から,MEMIGはシリコ抗体最適化タスクにおいて,ほとんどの設定において性能を向上することが示された。
• 参考スコア（独自算出の注目度）: 4.618037115403291
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Memory has become central to self-evolving LLM agents, which store and retrieve experience from past rollouts to guide future decisions. Existing systems represent this experience as free-form natural language and maintain it by rewriting, which fits tasks whose experience is narratable. However, in scientific discovery and optimization, experience is often a quantity measured by an oracle under a specific context. Rewriting it as text leaves no index for where a record should be, replaces a measurement with a description, and cannot express how interventions interact. To address this, we argue that agent memory for biomolecule optimization should instead be indexable, quantitative, and structured, and we introduce MEMIG. This memory construction framework realizes these three properties. In detail, MEMIG addresses each insight with a domain-grounded identifier and accumulates the quantitative effect measured by a property oracle, so that updates remain local and retrieval becomes an exact lookup. Next, MEMIG connects insights whose interventions are applied together and measures their epistasis by decomposing each evaluated set. Our results show that MEMIG improves performance in most settings across in silico antibody optimization tasks.
• Abstract（参考訳）: メモリは自己進化するLDMエージェントの中心となり、過去のロールアウトから経験を保存して、将来の決定を導く。 既存のシステムは、この経験を自由形式の自然言語として表現し、それを書き直すことで維持する。 しかし、科学的な発見と最適化において、経験は特定の文脈下でオラクルによって測定される量であることが多い。 テキストとして書き直すと、レコードがどこにあるべきかのインデックスが残らず、測定を記述に置き換え、介入がどのように相互作用するかを表現できない。 そこで本研究では,生物分子最適化のためのエージェントメモリをインデックス化,定量化,構造化し,MEMIGを導入する。 このメモリ構築フレームワークはこれらの3つの特性を実現する。 詳細は、MEMIGは各洞察をドメイン基底識別子で処理し、プロパティオラクルによって測定された量的効果を蓄積することで、更新はローカルのままであり、検索は正確なルックアップとなる。 次に、MEMIGは、介入が適用された洞察を結合し、評価された各セットを分解して、そのエピスタシスを測定する。 以上の結果から,MEMIGはシリコ抗体最適化タスクにおいて,ほとんどの設定において性能を向上することが示された。

関連論文リスト

• MemBubble: Benchmarking How Agent Memory Shapes LLM Response Diversity [69.32957637697743]
  メモリはLLMベースのエージェントのコアコンポーネントとして機能し、過去のインタラクションからユーザの好みを抽出して使用することでパーソナライズされた応答を可能にする。 既存の評価は合成相互作用に大きく依存しており、メモリシステムが少ないため、実際のシナリオではメモリの応答の多様性が不十分である。 MemBubbleは、実際のユーザ・アシスタント・会話から抽出された好みに基づいて構築された1000インスタンスのベンチマークである。 メモリが応答分布に集中する範囲を計測するために、共有された嗜好カテゴリを通してトピック関連性を保持しながら、ユーザの嗜好とは異なるシナリオでテストクエリを構築する。
  論文  参考訳（メタデータ） (2026-10-18T09:17:44Z)
• 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)
• Impact of enriched meaning representations for language generation in dialogue tasks: A comprehensive exploration of the relevance of tasks, corpora and metrics [0.0]
  本研究では,意味表現がドメイン間の生成品質,コーパス特性,およびこれらの世代を評価するために使用される指標に与える影響を比較検討した。 提案したリッチな入力は,MRや文の変動性の高い複雑なタスクや小さなデータセットに有効である。
  論文  参考訳（メタデータ） (2026-03-31T10:03:56Z)
• AMemGym: Interactive Memory Benchmarking for Assistants in Long-Horizon Conversations [61.6579785305668]
  AMemGymは、メモリ駆動型パーソナライゼーションのためのオンライン評価と最適化を可能にする対話型環境である。 我々のフレームワークは、対話エージェントのメモリ能力を向上するためのスケーラブルで診断に富んだ環境を提供する。
  論文  参考訳（メタデータ） (2026-03-02T15:15:11Z)
• 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)
• Evo-Memory: Benchmarking LLM Agent Test-time Learning with Self-Evolving Memory [89.65731902036669]
  Evo-Memoryは、大規模言語モデル(LLM)エージェントで自己進化型メモリを評価するための、ストリーミングベンチマークとフレームワークである。 10以上の代表的なメモリモジュールを評価し、10種類の多ターンゴール指向およびシングルターン推論およびQAデータセットで評価した。
  論文  参考訳（メタデータ） (2025-11-25T21:08:07Z)
• Better RAG using Relevant Information Gain [1.5604249682593647]
  大きな言語モデル(LLM)のメモリを拡張する一般的な方法は、検索拡張生成(RAG)である。 本稿では,検索結果の集合に対するクエリに関連する総情報の確率的尺度である,関連情報ゲインに基づく新しい単純な最適化指標を提案する。 RAGシステムの検索コンポーネントのドロップイン置換として使用すると、質問応答タスクにおける最先端のパフォーマンスが得られる。
  論文  参考訳（メタデータ） (2024-07-16T18:09:21Z)
• Memory Sharing for Large Language Model based Agents [43.53494041932615]
  本稿では,リアルタイムメモリフィルタ,ストレージ,検索を統合し,In-Context学習プロセスを強化するためのフレームワークであるMemory Sharingを紹介する。 実験の結果,MSフレームワークはオープンな質問に対処する際のエージェントの性能を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2024-04-15T17:57:30Z)
• In-Memory Learning: A Declarative Learning Framework for Large Language Models [56.62616975119192]
  本研究では,人間ラベルデータに頼らずにエージェントが環境に整合できる新しい学習フレームワークを提案する。 このプロセス全体がメモリコンポーネント内で変換され、自然言語で実装される。 フレームワークの有効性を実証し、この問題に対する洞察を提供する。
  論文  参考訳（メタデータ） (2024-03-05T08:25:11Z)

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。