論文の概要: Evolving Memory, Learning to Meta-Control: Test-Time Adaptation for Experience-augmented LLM Agents

• arxiv url: http://arxiv.org/abs/2611.01747v1
• Date: Sun, 01 Nov 2026 09:47:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 23:36:30.496612
• Title: Evolving Memory, Learning to Meta-Control: Test-Time Adaptation for Experience-augmented LLM Agents
• Title（参考訳）: 記憶の進化, メタ制御への学習: 体験型LLMエージェントのテスト時間適応
• Abstract要約: セルフ進化エージェントはタスクストリームからエクスペリエンスを蓄積するが、既存のフレームワークはこのエクスペリエンスを取得および利用するために固定パイプラインに依存している。 OMCE(Online Meta-Control of Experience)は、経験記憶を更新し、タスクフィードバックからメタ制御ポリシーを学習するフレームワークである。
• 参考スコア（独自算出の注目度）: 14.32899640114315
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-evolving agents accumulate experience from task streams, but existing frameworks typically rely on fixed pipelines to retrieve and utilize this experience, neglecting when and how to deploy it. We introduce Online Meta-Control of Experience (OMCE), a framework that updates experience memory and learns a meta-control policy from task feedback during test-time adaptation. OMCE employs a lightweight contextual-bandit meta-controller that uses compact retrieval signals to select among four cognitive actions: DIRECT, EPISODE, GUIDE, and DISTILL. This routing mechanism operationalizes three coupled decisions: whether to invoke experience, which memory format to utilize, and when to consolidate new guidance. OMCE evolves online, leveraging task feedback to update the memory bank and refine the routing policy via contextual bandit updates. Experiments on four online adaptation benchmarks across four backbones show that OMCE improves first-attempt success by up to 20.5 percentage points over the strongest compared baseline, while reducing per-task token use by a factor of 5.7 to 62.5 relative to ACE with GPT-5.2. Controlled ablations further support the benefits of learned routing and continued routing policy adaptation.
• Abstract（参考訳）: セルフ進化エージェントはタスクストリームからエクスペリエンスを蓄積するが、既存のフレームワークは通常、このエクスペリエンスを取得および利用するために固定パイプラインに依存し、いつ、どのようにデプロイするかを無視する。 OMCE(Online Meta-Control of Experience)は、経験記憶を更新し、テスト時間適応時のタスクフィードバックからメタ制御ポリシーを学習するフレームワークである。 OMCEは、コンパクトな検索信号を使用して、DIRECT、EPISODE、GUIDE、DISTILLの4つの認知行動を選択する軽量なコンテキスト帯域メタコントローラを使用している。 このルーティングメカニズムは、エクスペリエンスを呼び出すか、どのメモリフォーマットを使うか、新しいガイダンスを統合するタイミングの3つの複合的な決定を運用する。 OMCEはオンラインに進化し、タスクフィードバックを活用してメモリバンクを更新し、コンテキストのバンディット更新を通じてルーティングポリシーを洗練する。 4つのバックボーンにまたがる4つのオンライン適応ベンチマークの実験では、OMCEは最強のベースラインに対して最大20.5ポイントの初歩的な成功を達成し、また、GPT-5.2でACEと比較して5.7から62.5倍のトークンの使用を減らした。 制御されたアブレーションは、学習されたルーティングの利点とルーティングポリシーの適応をさらにサポートする。

関連論文リスト

• ReTTT: Reflection-Driven Test-Time Training via Experience-Based Parametric Memory [13.345272529669613]
  ReTTTは、エピソード内で構築され、継続的に修正されるレッスンに対するテストタイムトレーニングを通じて、経験駆動型の自己適応を可能にする。 ALFWorld,ScienceWorld,SWE-bench LiteのReTTTを2つのモデルファミリーを用いて評価した。
  論文  参考訳（メタデータ） (2026-10-08T04:47:31Z)
• ServeLearnBench: How Well Can Agents Self-Improve from Serving Experience? [25.04546844099514]
  大規模言語モデルエージェントは、現実世界の環境で複雑なタスクを実行するためにますますデプロイされる。 近年の継続的な学習ハーネスは、エージェントがサービス体験を改善することで、この問題に対処しようとしている。 我々はServeLearnBenchを紹介し,53の環境ウィンドウと7,718のタスクを備えた小売サポート,銀行,販売ピッチ生成を紹介した。
  論文  参考訳（メタデータ） (2026-10-06T05:39:42Z)
• RACaP: Agentic Reasoning, Acting, and Coding as Policies for Evolvable Robot Learning [61.4848860546758]
  汎用ロボットエージェントは経験から学び、新しいタスクに移行し、効率的に行動しなければならない。 Code as Policies (CaP) メソッドは実行時にプログラムを生成して修復し、遅延を発生させ、再利用可能なメカニズムをタスク固有の決定に絡ませる。 我々は、コーディングを進化へ移行するエージェントフレームワークであるRACaPを導入し、Reasoning-and-Acting(ReAct)ループを使用して、デプロイ時に凍結型ポリシーAPIを呼び出します。
  論文  参考訳（メタデータ） (2026-09-24T11:22:45Z)
• Knowledge Reutilization in Meta-Reinforcement Learning [51.07319647819108]
  本稿では,動的に単純化されたエージェント上でタスクレベルの知識を学習し,それを異種エージェントに転送するメタ知識再利用フレームワークを提案する。 我々のフレームワークは、最新の最先端ベースラインと比較して、最終段階のトラッキングエラーを94.75% -- 99.79%削減している。
  論文  参考訳（メタデータ） (2026-06-16T16:32:28Z)
• LongMemEval-V2: Evaluating Long-Term Agent Memory Toward Experienced Colleagues [80.29362825271768]
  LongMemEval-V2は、メモリシステムが、カスタマイズされた環境で知識のある同僚になるために必要な経験を得るのに役立つかどうかを評価するためのベンチマークである。 LME-V2には、Webエージェントの5つのコアメモリ能力をカバーする451の質問が含まれている。 AgentRunbook-Rは生の状態観察,イベント,戦略ノートのための知識プールを備えた,効率的なRAGベースのメモリであり,AgentRunbook-Cはトラジェクトリをファイルとして格納し,コードエージェントを起動して,拡張サンドボックスに証拠を収集する。
  論文  参考訳（メタデータ） (2026-05-12T17:59:34Z)
• OLIVIA: Online Learning via Inference-time Action Adaptation for Decision Making in LLM ReAct Agents [74.20327254615854]
  大規模言語モデルエージェントは、シーケンシャルな意思決定タスクを解決するために、推論、行動選択、観察をインターリーブする。 LLMエージェントの既存の推論時間適応法は、主にプロンプトや検索に依存している。 提案するOLIVIAは,ReAct型エージェントのための推論時行動適応フレームワークである。
  論文  参考訳（メタデータ） (2026-05-11T19:28:20Z)
• UI-Mem: Self-Evolving Experience Memory for Online Reinforcement Learning in Mobile GUI Agents [50.053654092780825]
  オンライン強化学習(RL)は、直接的な環境相互作用を通じてGUIエージェントを強化するための有望なパラダイムを提供する。 階層的エクスペリエンスメモリによるGUIオンラインRLを強化する新しいフレームワークであるUI-Memを提案する。 UI-Memは従来のRLベースラインや静的再利用戦略よりも大幅に優れています。
  論文  参考訳（メタデータ） (2026-02-05T16:21:43Z)
• Experience-Guided Adaptation of Inference-Time Reasoning Strategies [49.954515048847874]
  Experience-Guided Reasoner (EGuR) は蓄積された経験に基づいて推論時に調整された戦略を生成する。 EGuRは最強のベースラインに対して最大14%の精度向上を実現し、計算コストを最大111倍に削減する。
  論文  参考訳（メタデータ） (2025-11-14T17:45:28Z)

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。