論文の概要: HeMeR: Heterogeneous Memory Reconciliation for Embodied Agents via Structured KV Reuse
- arxiv url: http://arxiv.org/abs/2611.16487v1
- Date: Thu, 12 Nov 2026 08:58:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.403714
- Title: HeMeR: Heterogeneous Memory Reconciliation for Embodied Agents via Structured KV Reuse
- Title(参考訳): HeMeR:構造的KV再使用による不均一記憶再構成
- Abstract要約: エージェントは異種メモリモジュールの情報を組み合わせることで決定する。
本稿では,動的に更新されたメモリコンテキストと再利用可能なKV状態のKV調停を行う推論フレームワークHeMeRを紹介する。
HeMeRは83.20%のタスク成功を達成し、ステップごとの推論時間をMemRLと比較して2.94秒から1.87秒に短縮する。
- 参考スコア(独自算出の注目度): 18.65382728964039
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Embodied agents make decisions by combining information from heterogeneous memory modules, including declarative memory for explicit knowledge, procedural memory for learned routines, and working memory for current observations. During interaction, the memory contents required for decision making change with the agent's state, goal, and task progress, while many contents remain shared across consecutive decisions. However, existing memory modules are typically accessed through separate interfaces, so each updated memory context is often processed as a new input to the foundation model. This prevents selective key-value (KV) cache reuse for unchanged memory contents and forces full KV cache recomputation even when much of the memory context remains valid. We introduce HeMeR, an inference framework that performs KV reconciliation between dynamically updated memory contexts and reusable KV states. HeMeR tracks declarative, procedural, and working memory contents across action decisions, preserves KV states for unchanged contents, and reconciles only the KV states affected by memory-content updates. This enables efficient and stable inference as memory contents evolve during interaction. We evaluate HeMeR on ALFWorld, Habitat, and real-world robotic deployments requiring coordinated use of heterogeneous memory contents. In the real-world setting, HeMeR achieves 83.20% task success and reduces per-step inference time from 2.94 to 1.87 seconds compared with MemRL, while preserving compatible KV states as task progress updates the memory context.
- Abstract(参考訳): エージェントは、明示的な知識のための宣言的メモリ、学習ルーチンのための手続き的メモリ、現在の観測のためのワーキングメモリを含む、異種メモリモジュールの情報を組み合わせて決定する。
インタラクションの間、エージェントの状態、目標、タスクの進捗と意思決定を行うのに必要なメモリの内容は、連続した決定の間で多くのコンテンツが共有されている。
しかし、既存のメモリモジュールは通常、別々のインターフェイスを通してアクセスされるため、更新されたメモリコンテキストはファンデーションモデルへの新しい入力として処理されることが多い。
これにより、変更のないメモリ内容に対する選択的キー値(KV)キャッシュの再利用が防止され、メモリコンテキストの多くが有効である場合でも、完全なKVキャッシュ再計算が強制される。
本稿では,動的に更新されたメモリコンテキストと再利用可能なKV状態のKV調停を行う推論フレームワークHeMeRを紹介する。
HeMeRは、動作決定全体にわたって宣言的、手続き的、動作中のメモリ内容を追跡し、変化のないコンテンツに対してKV状態を保存し、メモリコンテンツ更新によって影響を受けるKV状態のみを再構成する。
これにより、インタラクション中にメモリの内容が進化するにつれて、効率的で安定した推論が可能になる。
ALFWorld, Habitat, and real-world robotic deployments with coordinated use of heterogeneous memory contents。
実際の環境では、HeMeRは83.20%のタスク成功を達成し、タスク進捗がメモリコンテキストを更新するときに互換性のあるKV状態を保存する一方で、ステップごとの推論時間をMemRLに比べて2.94秒から1.87秒に短縮する。
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) - Event-Centric Memory with Query-Aware Graph Augmentation for Long-Term Conversational Agents [51.804747364500344]
本稿では,人間の記憶を動機とした新しいメモリ構築とアクティベーションフレームワークQGMemを提案する。
QGMemは、長い対話履歴を個々の体験を保存するイベントインデックス化された原子記憶ユニットに変換する。
検索,マルチホップエビデンス構成,コンフリクト解決,コンパクトな文脈による超長文対話推論において,一貫した利得を示す。
論文 参考訳(メタデータ) (2026-10-08T13:17:59Z) - How Linear Attention Remembers [5.218306756623912]
本研究では,メモリシステムとして,固定サイズのリカレントメモリがどのように機能するかを検討する。
ファクト固有情報は、集中的かつコンテンツ依存の書き込みを通じて、繰り返しメモリに入る。
リカレントレイヤとフルアテンションを組み合わせたハイブリッドアーキテクチャでは、実行時メモリがリコールシフトを直接サポートし、フルアテンションなKV状態になる。
論文 参考訳(メタデータ) (2026-09-27T02:02:21Z) - 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) - RecMem: Recurrence-based Memory Consolidation for Efficient and Effective Long-Running LLM Agents [16.625864201773343]
RecMemは、受信するインタラクションをサブ意識のメモリ層に格納し、軽量な埋め込みモデルを使用してエンコードする。
実験により、RecMemは3つのSOTAメモリシステムのメモリ構築トークンコストを最大87%削減し、精度を上回ります。
論文 参考訳(メタデータ) (2026-05-15T15:17:36Z) - Is One Score Enough? Rethinking the Evaluation of Sequentially Evolving LLM Memory [50.857546269660276]
本稿では,大規模言語モデル(LLM)メモリを逐次進化させる診断評価フレームワークであるSeqMem-Evalを紹介する。
最終的なパフォーマンスのみに焦点を当てるのではなく、SeqMem-Evalは、シーケンシャル推論において、メモリ状態がどのように進化し、一般化し、エクスペリエンスを集約し、有用な情報を保持するかを評価する。
論文 参考訳(メタデータ) (2026-05-14T20:15:22Z) - MemCompiler: Compile, Don't Inject -- State-Conditioned Memory for Embodied Agents [29.872311031034368]
本稿では,メモリ利用をステートコンディション・メモリ・コンパイルとして再構成するMemCompilerを提案する。
Across Alf World、EmbodiedBench、ScienceWorldでは、MemCompilerは無メモリよりも一貫して改善されている。
論文 参考訳(メタデータ) (2026-05-08T11:07:04Z) - MemEvoBench: Benchmarking Memory MisEvolution in LLM Agents [78.95081012334116]
永続メモリを持つ大規模言語モデル(LLM)は、相互作用の継続性とパーソナライゼーションを高めるが、新たな安全性リスクをもたらす。
汚染または偏りのある記憶蓄積は、異常な作用を引き起こす可能性がある。
MemeEvoBenchは、LLMエージェントのメモリ安全性を評価する最初のベンチマークである。
論文 参考訳(メタデータ) (2026-04-17T07:29:52Z) - KEEP: A KV-Cache-Centric Memory Management System for Efficient Embodied Planning [8.216400469571084]
効率的な実施計画のためのKVキャッシュ型メモリ管理システムKEEPを提案する。
KEEPは,(1)混合粒度メモリグループによるKVキャッシュ再計算を低減する静的動的メモリ構築アルゴリズム,(2)異なるメモリグループ間の重要なクロスアテンションを動的に識別するマルチホップメモリ再計算アルゴリズム,(3)不均衡なKVキャッシュのロードと異なるレイヤ間のクロスアテンションを排除するレイヤバランスのメモリローディングという3つの重要なイノベーションを特徴としている。
論文 参考訳(メタデータ) (2026-02-27T01:48:07Z) - Neuromem: A Granular Decomposition of the Streaming Lifecycle in External Memory for LLMs [31.958776309037546]
我々は、インターリーブされた挿入・検索プロトコルの下で外部メモリモジュールをベンチマークするスケーラブルなテストベッドであるNeuromemを紹介する。
メモリが丸ごと増大するにつれて、パフォーマンスは一般的に低下し、時間関連のクエリは依然として最も難しいカテゴリです。
論文 参考訳(メタデータ) (2026-02-15T02:53:37Z) - Kanerva++: extending The Kanerva Machine with differentiable, locally
block allocated latent memory [75.65949969000596]
エピソディックメモリとセマンティックメモリは、人間のメモリモデルの重要なコンポーネントです。
我々は、エピソードメモリとセマンティックメモリのギャップを埋める新しい原理ベイズメモリ割り当てスキームを開発しました。
この割り当て方式がメモリ条件画像生成の性能を向上させることを実証する。
論文 参考訳(メタデータ) (2021-02-20T18:40:40Z)
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。