論文の概要: When Agents Need to Consolidate Memories: What RRR Consolidation Explains, and What It Does Not Explain, in Conversation ESAA
- arxiv url: http://arxiv.org/abs/2611.15644v1
- Date: Wed, 11 Nov 2026 15:55:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.188489
- Title: When Agents Need to Consolidate Memories: What RRR Consolidation Explains, and What It Does Not Explain, in Conversation ESAA
- Title(参考訳): エージェントが記憶の強化が必要なとき--ESAAにおけるRRR統合の説明と説明されていない説明
- Abstract要約: 工学的研究は、リング、共鳴、再正規化(RRR)にインスパイアされた会話型ESAA拡張であるMemory-TCGを提示する
480の事実と1,024のトークンにより、RRRは現在の決定の0.44をリコールし、時系列検索では0.06、オラクル天井では0.58をリコールした。
結果は、選択主義的優位性の主張ではなく、エンジニアリング分析を支持する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Language-model agents can share conversational history across sessions, but persistence does not guarantee retrieval of current decisions and their provenance. This engineering study presents Memory-TCG, a Conversation ESAA extension inspired by ringing, resonance and renormalization (RRR), and an exploratory synthetic evaluation comparing chronological retrieval, two simplified baselines (B, recency-aware, and B', authority-aware), full RRR, and variants under three output budgets. With 480 facts and 1,024 tokens, full RRR recalled 0.44 of current decisions, versus 0.06 for chronological retrieval and 0.58 for the oracle ceiling; with 4,096 tokens it recalled all of them. B' and the no-resonance variant matched full RRR in decision recall across all nine scale-budget combinations, as expected when the active decision set and the adapter ordering are the same. The isolated contribution of ringing to decisions was not measured: comparator D1 cuts facts before the graph is built, and the product retains active decisions by rule. Before the output limit, full-RRR conflict F1 was 0.615 at all three scales; after it, at 480 facts and 1,024 tokens, it was 0.000. Reserving 20% of the budget for conflicts raised that F1 to 0.431 in that scenario, at the cost of lowering decision recall from 0.44 to 0.34, and to 0.930 at 4,096 tokens without decision loss. Fixtures are repetitive, comparators are simplified, and the evaluation was not independently replicated; the results support an engineering analysis, not a claim of selectionist superiority.
- Abstract(参考訳): 言語モデルエージェントはセッション間で会話履歴を共有することができるが、永続性は現在の決定とその証明の検索を保証するものではない。
本研究は,リング,共鳴,再正規化(RRR)にインスパイアされた会話ESAA拡張であるMemory-TCGと,時系列検索,B,reency-aware,B',オーソリティ・アウェアの2つの簡易ベースライン,フルRRR,および3つのアウトプット予算下での変種を探索的総合評価する。
480の事実と1,024のトークンで、RRRは現在の決定の0.44をリコールし、時系列検索は0.06、オラクル天井は0.58をリコールし、4,096のトークンがリコールされた。
B'とno-resonanceの変種は、アクティブな決定セットとアダプタの順序が同じである場合に予想されるように、9つのスケール・予算の組み合わせの完全なRRRのリコールと一致した。
コンパレータD1は、グラフが構築される前に事実をカットし、製品はルールによって積極的な決定を保持する。
出力限界前は、フルRRR競合F1は3つのスケールで0.615であり、その後480の事実と1,024のトークンで0.000であった。
紛争の予算の20%を維持すれば、F1が0.431に、決定リコールのコストが0.44から0.34に低下し、4,096トークンで0.930に低下した。
フィクスチャは反復的であり、コンパレータは単純化され、評価は独立して複製されなかった。
関連論文リスト
- World Models Need Not Be Right to Rank Policies Right: Relative Bounds and Audit Limits [0.0]
絶対値が低いにもかかわらず、モデルエラーを共有することはペアワイズランキングを維持できるだろうか。
我々は、ポリシー固有の誤差から、厳密なペアワイズシミュレーションIDと、相対的に有界な共通モードベルマン残差を導出する。
RAVELは低予算歩行の後悔を改善するが、実際の半減期は最大予算で良好であり、事前の2倍効率の目標を拒絶する。
論文 参考訳(メタデータ) (2026-10-31T17:30:15Z) - AGO AI Quality Gate: Evidence-First Release Decisions for Retrieval-Augmented Generation [35.18016233072556]
AGO AI Quality Gateは、産業RAGアセスメントエンゲージメントにデプロイされるエビデンスファーストの品質ゲートフレームワークである。
AGOは4つの重要なコンポーネントを統合している。データ不足を処理し、エラーを明確な結果として判断する4状態決定モデルだ。
RAGBenchは、12データセットにわたる100kの注釈付きRAGトレースの公開ベンチマークである。
論文 参考訳(メタデータ) (2026-10-01T07:24:04Z) - VStress: Correlation-Aware Auditing and Adaptive Budget Allocation for Repeated Verifiers [23.604799907878245]
オーディエンス可能なリプレイ契約であるVStressと,相関を考慮したアロケーションポリシであるVStress-CAを紹介する。
VStressは、シールされたキャリブレーション分割上の未クエリ検証者の条件境界情報を推定する。
論文 参考訳(メタデータ) (2026-09-29T07:59:03Z) - The Epistemics of Agent Memory: Measuring, and Governing, the Consolidation Decision in Long-Horizon LLM Agents [0.0]
LLMエージェントは、蓄積した経験を耐久性のあるメモリに変換する必要がある。
フェーズ1は下流ユーティリティによってエージェントトレースからエピソード境界を学習する。
フェーズ2は、トークン予算の下で経験と抽象化のレベルを促進する方法を学ぶ。
フェーズ3では、3つの非円周軸上の既知の最適値に対する統合決定をスコアするオラクル・バイ・コンストラクション・ベンチマークが導入されている。
論文 参考訳(メタデータ) (2026-09-26T23:10:45Z) - DRSR: Learning Set-Level Deletion Risk for Efficient Long-Horizon Agents [55.84813053778976]
ロングホライゾン言語モデルエージェントは、現在の決定と関係が変化する推論の痕跡、ツール交換、観察を蓄積する。
直接セットリスクスコアは、削除セットの選択としてエージェント履歴圧縮リスクを定式化する。
メカニカル・アナリシスとアブリケーションは、決定に制約のある関係、保持されたコンテキスト情報、ペア・インタラクション、および棄権がそれぞれ信頼できるプルーニングに寄与していることを示している。
論文 参考訳(メタデータ) (2026-09-23T03:06:01Z) - What Eviction Destroys: A Restore-Counterfactual Audit of Forgetting in Agent Memory [1.6558929815405155]
我々は,質問ごとのペアによる介入であるリストア対策を導入し,質問のゴールドエビデンスをリードタイムの文脈で再記録する。
我々は,LongMemEval-SにおけるFIFO,ランダム,冗長,LLMの重要性を3つの予算と2つの検索条件で評価した。
論文 参考訳(メタデータ) (2026-09-08T05:48:10Z) - STONIC: A Layered Measurement Contract for LLM Value Profiling [33.72751145910978]
これは、独立して評価された応答、相反する矛盾の下で選択された選択、自発的な答え、そしてモデル自身の回答と権限のある選択肢の間の後の選択を比較します。
使用可能な行動データを備えた17の構成のうち10は、銀行間の支持-選択関係を維持している。
200 L3レスポンスの3方向アノテーションは、セマンティック監査のタスクローカルチェックを提供する。
論文 参考訳(メタデータ) (2026-08-24T15:55:35Z) - Best Friends, Not Forever: Evaluating Long-Horizon Persona Collapse and Behavioral Drift in AI Companions [34.277389276831435]
本研究では,2つの長期的障害について検討する。「人的崩壊」,展開された役割の喪失,境界,値,スタイル,および「行動漂流」である。
本稿では,人的行為とトラジェクティブリコールを別々に計測する制御型総合監査システムANCHORを紹介する。
この研究には、27人のペルソナにまたがる2,008の会話、9つのインタラクションスケジュール、3つの生成されたメモリ設定、そして4つの評価モデルが含まれている。
論文 参考訳(メタデータ) (2026-07-30T20:18:39Z) - Narration-of-Thought: Inference-Time Scaffolding for Defeasible Ethical Reasoning in Large Language Models [6.628401122676601]
ナレーション・オブ・シント(NoT)は,思考の連鎖を5つのセクションにまとめるシステムである。
NoTはトレーニングやパラメータ、微調整を追加しない。
3つのベンダーから4つのジェネレータにまたがる100のDailyDilemmasシナリオにおいて、NoTは株主の崩壊を31%から1%以下に削減する。
論文 参考訳(メタデータ) (2026-06-24T20:23:16Z) - Right Makes Might: Aligning Verified Hidden States Empowers RL Reasoning [55.264863369127774]
現在の方法では、それぞれの正しいロールアウトを単一の報酬ビットに減らし、隠れた状態間で共有される幾何学的構造を無視している。
本稿では,RLトレーニングにおけるアンカートークンにおける正ロールアウトの最終層を,トレーニングと推論の両方においてゼロオーバーヘッドで整列する補助損失関数Hidden-Alignを提案する。
8つの数学的推論ベンチマークでは、Hidden-AlignはDAPOベースラインの平均パス@1をQwen3-1.7B, 4B, 14Bで3.8, 6.2, 5.4ポイント改善し、3つのスケールで一貫したパス@kゲインを得る。
論文 参考訳(メタデータ) (2026-06-02T06:51:15Z) - Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。
個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。
構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
論文 参考訳(メタデータ) (2026-05-15T17:08:27Z)
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。