論文の概要: Top-$k$ Retrieval Leaves Memory Value Undetermined
- arxiv url: http://arxiv.org/abs/2611.03289v1
- Date: Mon, 02 Nov 2026 15:28:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 05:18:21.845052
- Title: Top-$k$ Retrieval Leaves Memory Value Undetermined
- Title(参考訳): Top-k$ Retrievalがメモリ価値を未決定に残す
- Abstract要約: LEDGERは、決定された値を失うことなく、同じ履歴とメモリをマージする。
これは0.001から0.797まで、HotpotQAでは2.6の精度で、LoCoMoでは2.7の精度で記憶率を上げる。
- 参考スコア(独自算出の注目度): 2.538209532048867
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A memory-augmented agent must decide which memories to keep, merge and retrieve, and its only evidence of their value is its retrieval log: the memories it retrieved in each episode and whether it succeeded. Existing methods assign every memory a value from this log, even when the log cannot separate one memory's contribution from another's. We treat the log as an experiment that nobody designed and ask which memory values it determines. Two counts answer this before any outcome is observed: how often each memory was retrieved, and how often each pair was retrieved together. From these counts, we prove that top-$k$ retrieval leaves every memory value undetermined, however many episodes are logged, and that a question with its own memories, asked once, determines at most one of their values. On fourteen standard memory benchmarks, no memory value is determined in any of 55 configurations. Both causes are choices about retrieval. We introduce LEDGER, which estimates each determined Shapley value in closed form with a confidence interval and reports every other value as undetermined. It merges memories with identical histories without losing a determined value, and it retrieves so that the next log determines more. On pooled HotpotQA, LEDGER raises the fraction of memories determined from 0.001 to 0.797, at a cost of 2.6 accuracy points on HotpotQA and with a gain of 2.7 on LoCoMo.
- Abstract(参考訳): メモリ拡張エージェントは、どのメモリを保持し、マージし、取り出すかを決めなければならないが、その価値の唯一の証拠は、その検索ログである。
既存のメソッドは、ログが1つのメモリのコントリビューションと別のメモリのコントリビューションを分離できない場合でも、すべてのメモリをこのログから値に割り当てる。
ログを誰も設計せず、どのメモリ値を決定するかを尋ねる実験として扱う。
結果が観測される前に2つのカウントが答える: それぞれのメモリが取得された頻度と、それぞれのペアが取得された頻度である。
これらの数から、トップ$の検索はすべてのメモリ値を未決定のまま残すが、多くのエピソードがログ化され、一度質問された自身のメモリによる質問が、その値のほぼ1つを決定することを証明している。
14の標準メモリベンチマークでは、55の構成のいずれかでメモリ値が決定されない。
どちらの原因も検索の選択である。
そこで,LEDGERを導入し,各決定したShapley値を信頼区間でクローズドな形で推定し,他のすべての値を未決定値として報告する。
決定された値を失うことなく、同じ履歴とメモリをマージし、次のログがより多くの値を決定するように検索する。
プールされたHotpotQAでは、LEDGERは0.001から0.797までのメモリを、HotpotQAでは2.6の精度で、LoCoMoでは2.7の精度で上昇させる。
関連論文リスト
- Recall Begets Recall: Recurrent Memory Ranking for Personalized LLMs [57.42635971273594]
本稿では,リカレントかつ自己終端ループとして動作するメモリローカであるReMindを提案する。
複合キューのために、ReMindはクエリコンテキストにトップランクのメモリを追加します。
メタメモリ監視では、収集したメモリがクエリに応答するのに十分かどうかを各ステップで予測する。
論文 参考訳(メタデータ) (2026-10-12T03:53:47Z) - Test-Time Memory Construction [50.916768004131505]
大きな言語モデル(LLM)は、長いインタラクション履歴に関する質問に答えるのに苦労しています。
既存のメモリシステムは通常、ユーザクエリが観測される前に、オフラインで洗練されたメモリ表現を構築し維持する。
テスト時間メモリ構築フレームワークであるT$2$Memを提案する。
論文 参考訳(メタデータ) (2026-10-09T10:24:51Z) - Causal Memory Policy: Making Memory Utility Identifiable by Intervening on Retrieval [29.12751904333385]
メモリが取得されない場合、ストアレベルの介入は同じ結果をもたらし、そのユーティリティは未確認のままである。
本稿では,検索自体に介入することで識別を復元する因果的枠組みである因果記憶ポリシー(CMP)を紹介する。
CMPは、バランスの取れた割り当て設計の下で、自己正規化逆確率重み付けによりメモリユーティリティを推定する。
論文 参考訳(メタデータ) (2026-10-01T17:11:25Z) - Memory That Changes Action Is Not Memory That Guides It: Counterfactual Auditing of History-Conditioned Robot Policies [15.339579037728901]
ロボットは、2つのタスク一貫性のある過去に遭遇し、同じ入力に再収束するが、異なる動作を保証できる。
本稿では,2つの履歴を相互に横断するメモリ・ポリティクス評価プロトコルを提案する。
ロボットは、記憶を用いて過去の保証事項を確実に選択することなく、記憶と反応が可能であることを示す。
論文 参考訳(メタデータ) (2026-09-23T02:31:53Z) - 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) - MemGuard: Preventing Memory Contamination in Long-Term Memory-Augmented Large Language Models [56.31411457917676]
本稿では,メモリ構築と検索において,機能的メモリ境界を保存するタイプアウェアメモリフレームワークであるMemGuardを紹介する。
幻覚と長期会話のベンチマーク全体で、MemGuardはメモリの信頼性を最大28.27%向上し、メモリトークンは以前の方法より5.8倍少ない。
論文 参考訳(メタデータ) (2026-05-27T06:04:19Z) - MemoryArena: Benchmarking Agent Memory in Interdependent Multi-Session Agentic Tasks [55.145729491377374]
メモリを持つエージェントの既存の評価は、通常、単独で記憶と行動を評価する。
マルチセッションメモリ-エージェント環境ループにおけるエージェントメモリのベンチマークのための統合評価ジムであるMemoryArenaを紹介する。
MemoryArenaは、Webナビゲーション、優先制約付き計画、プログレッシブ情報検索、シーケンシャルなフォーマルな推論を含む評価をサポートする。
論文 参考訳(メタデータ) (2026-02-18T09:49:14Z) - Self-Attentive Associative Memory [69.40038844695917]
我々は、個々の体験(記憶)とその発生する関係(関連記憶)の記憶を分離することを提案する。
機械学習タスクの多様性において,提案した2メモリモデルと競合する結果が得られる。
論文 参考訳(メタデータ) (2020-02-10T03:27:48Z)
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。