論文の概要: Do agents need to sleep?

• arxiv url: http://arxiv.org/abs/2611.02216v2
• Date: Tue, 03 Nov 2026 17:52:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:57.67547
• Title: Do agents need to sleep?
• Title（参考訳）: エージェントは眠る必要がありますか。
• Abstract要約: 睡眠を考慮に入れた選択主義的「リング、共鳴、再正規化(RRR)」に基づき、3つのフェーズのそれぞれがデジタルメモリアーキテクチャで実現可能な操作にマップされることを提案する。 記憶容量が大きくなるにつれて、セレクタリストの強化がインストラクタの代替よりも優れているという確証のある予測を導出する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: LLM-based agents, which increasingly operate persistently across sessions and accumulate memory through interaction, already exhibit the familiar symptoms of unchecked plasticity: semantic drift, degraded retrieval precision, propagation of stored errors, and saturation of memory capacity. Drawing on the selectionist "ringing, resonance and renormalization" (RRR) account of sleep, we propose that each of its three phases maps onto an operation feasible in digital memory architectures. Engineers building stateful agents, meanwhile, are independently rediscovering the problems sleep evolved to solve: what to forget, and when to do the forgetting. From this we derive the falsifiable prediction that selectionist consolidation will outperform instructionist alternatives as memory stores grow large. The core claim concerns the nature of continuous learning itself: plasticity has a price, and for any system that learns continuously under finite capacity while coupled to its environment, that price is sleep.
• Abstract（参考訳）: LLMをベースとしたエージェントはセッション間で持続的に動作し、相互作用を通じてメモリを蓄積するが、すでにセマンティックドリフト、劣化した検索精度、保存されたエラーの伝播、メモリ容量の飽和といった、未確認の可塑性の一般的な症状を呈している。 睡眠を考慮に入れた選択主義的「リング、共鳴、再正規化(RRR)」に基づき、3つのフェーズのそれぞれがデジタルメモリアーキテクチャで実現可能な操作にマップされることを提案する。 一方、ステートフルエージェントを構築するエンジニアたちは、睡眠が解決するために進化した問題を独立して再発見している。 このことから、記憶容量が大きくなるにつれて、セレクタリストの強化がインストラクタの代替よりも優れているという確証のある予測が導かれる。 可塑性は価格を持ち、環境と結合しながら有限容量で連続的に学習するシステムにとって、その価格は睡眠である。

関連論文リスト

• Memory-Centric Continual Learning for AI Agents [74.6399383050059]
  メモリ中心連続学習(Memory-Centric Continual Learning)は、メモリが取得するものだけでなく、将来のアクションを改善するかどうかによって判断されるべきである、と論じている。 MCCLには3つの主要な部分がある。まず3軸分類法は、状態が保存されている場所(サブストレート)、どのような形(アセット)、どのように管理されているかによってメモリを整理する。 第2に、評価プロトコルは、単純なコンテキスト展開から真の行動的利得を分離するための干渉、変化への適応、タスク転送の下での保持を測定する。
  論文  参考訳（メタデータ） (2026-10-21T07:49:42Z)
• Remember Before You're Asked: MemDream for Self-Probing Memory Evolution [4.468325484799388]
  我々は,LLMエージェントの自己生成メモリ進化を可能にするフレームワークであるMemDreamを提案する。 3つの専門エージェントが障害発生前にメモリグラフを探索し、診断し、修復するオフラインドリームサイクルに定期的に参入する。 LoCoMo と MemoryAgentBench の実験では、MemDream は LoCoMo 上の解 F1 を4.5 ポイント改善し、強い反応性進化ベースラインよりも9.1 ポイント高いスコアをMAB 上で達成している。
  論文  参考訳（メタデータ） (2026-09-28T08:07:24Z)
• Controlled Memory Interference in Continual LLM Agents [19.630594179909156]
  長期記憶により、AIエージェントはセッション間の連続性を維持し、振る舞いをパーソナライズし、蓄積された経験を通じて進化することができる。 既存のシステムは、主にメモリ構築と関連性に基づく検索を強調しているが、いくつかの記憶は、状態、時間的妥当性、権限において異なるが、同時に関連している。 我々は,異なるメモリ関係下でのエージェントメモリの進化を研究するための,制御された診断・データ生成フレームワークである制御型メモリ干渉(CMI)を紹介する。
  論文  参考訳（メタデータ） (2026-08-07T09:46:19Z)
• Beyond Episodic Evaluation: Memory Architectural Bottlenecks in Sequential Embodied Question Answering [93.80043825360514]
  EQA(Embodied Question answering)は、伝統的にエピソードの定式化の下で評価され、エージェントは各タスクを独立して解決し、エピソード間の内部状態をリセットする。 EQAエージェントを逐次評価する際に異なるメモリアーキテクチャがどのように振る舞うかを検討する。 既存のメモリを単純に保存することは、しばしば不十分である。 連続したシーン表現の視覚的意味的証拠を3次元幾何学にマッピングするアーキテクチャについて, 構造的, 空間的基盤的記憶の必要性を強調した。
  論文  参考訳（メタデータ） (2026-07-23T17:50:45Z)
• Experience Makes Skillful: Enabling Generalizable Medical Agent Reasoning via Self-Evolving Skill Memory [43.487137083499704]
  SkeMexはデプロイ後のフレームワークで、モデルの重みを更新することなく、スキルベースのメモリを通じて医療エージェントを改善する。 情報的相互作用の軌跡を、再利用可能な手続き的知識を符号化する構造化されたスキルに蒸留する。 環境フィードバックからコンテキスト依存のユーティリティを推定し、バリューアウェアな検索とリポジトリガバナンスのガイドに使用します。
  論文  参考訳（メタデータ） (2026-06-08T11:37:01Z)
• WorldMemArena: Evaluating Multimodal Agent Memory Through Action-World Interaction [72.1620416874118]
  マルチモーダルな言語モデルは、長距離エージェントとしてますます多くデプロイされている。 既存のベンチマークは、静的対話上のリコールを測定し、メモリを1つのタスクの精度に分解し、キャプションに対する視覚的な観察を減らす。 マルチモーダルエージェントメモリを,観測可能な4段階ライフサイクルを持つアクションワールドインタラクションループとして定式化する。
  論文  参考訳（メタデータ） (2026-05-28T04:27:20Z)
• FadeMem: Biologically-Inspired Forgetting for Efficient Agent Memory [4.608947574766633]
  本稿では,人間の認知効率を反映した能動的忘れ機構を組み込んだ,生物学的にインスパイアされたエージェントメモリアーキテクチャであるFadeMemを提案する。 マルチセッションチャット, LoCoMo, LTI-Benchの実験では, ストレージの45%削減により, 優れたマルチホップ推論と検索が可能となった。
  論文  参考訳（メタデータ） (2026-01-26T16:12:54Z)
• MemVerse: Multimodal Memory for Lifelong Learning Agents [35.218549149012844]
  我々は,モデルに依存しないプラグアンドプレイメモリフレームワークであるMemVerseを紹介した。 MemVerseは階層的検索ベースのメモリで高速パラメトリックリコールを行う。 スケーラブルで適応的なマルチモーダルインテリジェンスを実現する。
  論文  参考訳（メタデータ） (2025-12-03T10:06:14Z)
• Agentic Learner with Grow-and-Refine Multimodal Semantic Memory [50.81667005063605]
  ViLoMemは、コンパクトなスキーマベースのメモリを構築するデュアルストリームメモリフレームワークである。 視覚的障害パターンと論理的推論エラーを符号化し、MLLMが成功し失敗した経験から学ぶことを可能にする。
  論文  参考訳（メタデータ） (2025-11-26T18:55:08Z)
• MemGen: Weaving Generative Latent Memory for Self-Evolving Agents [57.1835920227202]
  本稿では,エージェントに人間的な認知機能を持たせる動的生成記憶フレームワークであるMemGenを提案する。 MemGenは、エージェントが推論を通して潜在記憶をリコールし、増大させ、記憶と認知の密接なサイクルを生み出すことを可能にする。
  論文  参考訳（メタデータ） (2025-09-29T12:33:13Z)

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。