論文の概要: Forget the Lineage: Forward-Secure, Lineage-Complete Cryptographic Erasure for LLM-Agent Memory
- arxiv url: http://arxiv.org/abs/2611.18133v1
- Date: Fri, 13 Nov 2026 13:01:47 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:25:39.460532
- Title: Forget the Lineage: Forward-Secure, Lineage-Complete Cryptographic Erasure for LLM-Agent Memory
- Title(参考訳): リニアジを忘れる - LLM-Agentメモリのためのフォワードセーフ、リニアジコンプリート暗号消去
- Abstract要約: 本稿では,LinEraについて述べる。LinEraは,各メモリを親の鍵から派生した鍵で,導出グラフに沿って暗号化する。
健全な系統ルールは、著者が見たすべての両親として記録され、その子孫のすべての影響を封じ込めている。
我々はセキュリティと系統の整合性を証明し、LinEraとmem0を統合する。
- 参考スコア(独自算出の注目度): 0.3517488417793045
- License:
- Abstract: Large language model (LLM) agents keep a long-term memory that the model itself writes: summaries, extracted facts and embeddings derived from what users said. Deleting a message is therefore not enough: its derivatives, storage residue and backups survive. We define lineage-complete forward-secure erasure: after a forget request, an adversary that later obtains all storage and the agent's current keys learns nothing about the forgotten input or any memory derived from it. We present LinEra, which encrypts each memory under a key derived from its parents' keys along the derivation graph; source keys come from a puncturable pseudorandom function, so forgetting is a single puncture and every descendant becomes unreadable without being located. A sound lineage rule records as parents everything the writer saw, which confines all influence of a source to its descendants. We prove security and lineage integrity and integrate LinEra with mem0. With real LLMs from two families (1.5B to 7B parameters) writing the memory of LoCoMo conversations, an attacker holding every file and the current keys recovers, on all ten conversations written by the largest model, 70 of 71 forgotten secrets after logical deletion, 67 with per-object or epoch keys, and none with LinEra; the same holds for every writer tested. The price is a larger forgetting radius, which follows a simple law in the writer's fan-in: forgetting 1% of turns erases 73.0% of derived memories with session-level summaries but only 3.8% with four-turn windows, which also answer better; re-deriving restores what is lost.
- Abstract(参考訳): 大規模言語モデル(LLM)エージェントは、モデル自体が記述する長期記憶を保持する。
そのため、メッセージを削除するだけでは不十分だ。デリバティブ、ストレージ残余、バックアップは生き残る。
我々は、行程完全前方安全消去を定義する: 忘れた要求の後、後にすべてのストレージを取得し、エージェントの現在のキーは忘れられた入力やそれに由来するメモリについて何も学ばない敵となる。
提案するLinEraは、親の鍵から派生した鍵で暗号化される。ソースキーは、句読可能な擬似乱数関数から来るので、忘れることは単一の句読法であり、すべての子孫は、位置を示さずに読めなくなる。
健全な系統ルールは、著者が見たすべての両親として記録され、その子孫のすべての影響を封じ込めている。
我々はセキュリティと系統の整合性を証明し、LinEraとmem0を統合する。
2つのファミリー(1.5Bから7Bパラメータ)の実際のLLMがLoCoMoの会話のメモリを記述し、攻撃者がすべてのファイルと現在のキーを保持すると、最大のモデルによって書かれた10の会話がすべて回復する。
1%のターンを忘れると、セッションレベルのサマリーで73.0%のメモリが消去されるが、4ターンウィンドウで3.8%しかなく、さらに良い答えが得られない。
関連論文リスト
- MIGRO: A Decoupled and Portable Long-Term Memory System for Language Models [58.34167934835918]
連続した言語モデル間で共有される永続状態として経験を扱える、疎結合な長期記憶システムMIGROを提案する。
共有セマンティックインデックスは検索をサポートし、正確なレコードは観測と歴史的な関係を保持する。
MIGROは、高い応答品質、ホスト間のメモリ成長の継続、ストレージコストの低減を兼ね備えている。
論文 参考訳(メタデータ) (2026-11-11T10:52:21Z) - Agent Zero Memory: Provenance-Aware Long-Term Memory for LLM Agents [3.6666917625778193]
Agent Zero Memory(エージェントゼロメモリ)は、長期記憶システムである。
ユーザの会話、ファイル、接続されたソースを3つの並列メモリシステムに消去する。
論文 参考訳(メタデータ) (2026-08-30T06:55:59Z) - When Memory Takes Gradients: Collaborative Vector Memory for Agentic Recommender Systems [6.12907469209873]
エージェントレコメンデータシステムは、大きな言語モデルのそれぞれの決定を、ユーザの永続的なメモリに根拠付ける。
エージェントのメモリの協調コアをベクトル化するCoVeMemを提案する。
論文 参考訳(メタデータ) (2026-08-27T09:51:18Z) - When Does Memory Help? A Cost-Aware Evaluation of Long-Term Memory in Tool-Using LLM Agents [0.0]
本稿では,タスク実行エージェントにおけるメモリの限界効用を測定するベンチマークであるMERITを提案する。
23,440回(42.57回)で、リーク確認フロアが0.00から0.55-1.00に上昇した。
メモリの実装をスワップすることでタスクの成功を最大60ポイント移動させ、完全なリプレイは経済的には行われない。
論文 参考訳(メタデータ) (2026-07-26T07:42:00Z) - Less Context, More Accuracy: A Bi-Temporal Memory Engine for LLM Agents Where a Lean Retrieved Context Beats the Full History [2.5401434059780468]
Engramは、バイテンポラルデータモデル上のデュアルプロセスメモリエンジンである。
高速書き込みパスは、クリティカルパスにLSMなしでエピソードを付加する。
ハイブリッドリードパスは、密度、語彙、グラフ、および電流/セイレンス信号を融合する。
論文 参考訳(メタデータ) (2026-06-05T11:43:56Z) - Rethinking How to Remember: Beyond Atomic Facts in Lifelong LLM Agent Memory [88.81430082035617]
LLMエージェントは、蓄積された対話履歴を忠実に保存し、効率的に検索し、深く推論できるメモリシステムを必要とする。
本稿では,ソース識別子に固定された生の対話セグメントを含む3つの共存表現の粒度を格納するTriMemを提案する。
論文 参考訳(メタデータ) (2026-05-19T15:05:06Z) - MemLineage: Lineage-Guided Enforcement for LLM Agent Memory [3.058164432275431]
我々は,LLMエージェントメモリの防衛機能であるMemLineageを紹介した。
最近のコンカレントな作業は、信頼できないコンテンツを永続的なエージェントの状態に書き込むことができ、後続のセッションを命令として再入力できることを示している。
MemLineageは、これをフィルタリング問題ではなく、チェーンオブカストディ問題として扱う。
論文 参考訳(メタデータ) (2026-05-14T06:07:54Z) - MemSearch-o1: Empowering Large Language Models with Reasoning-Aligned Memory Growth in Agentic Search [59.98962867649009]
本稿では,メモリ成長とリトラシングに基づくエージェント検索フレームワークであるMemSearch-o1を提案する。
MemSearch-o1はクエリからメモリシードトークンからきめ細かいメモリフラグメントを成長させ、コントリビューション関数を通じてメモリを再トレースし、深く洗練し、最終的にグローバルに接続されたメモリパスを再編成する。
論文 参考訳(メタデータ) (2026-04-19T05:35:06Z) - Lift Yourself Up: Retrieval-augmented Text Generation with Self Memory [72.36736686941671]
本稿では,検索拡張生成モデルを改善するための新しいフレームワーク,Selfmemを提案する。
Selfmemは、検索拡張ジェネレータを反復的に使用して、無制限のメモリプールを生成し、メモリセレクタを使用して、続く生成ラウンドの1つの出力をメモリとして選択する。
我々は,3つの異なるテキスト生成タスクにおける自己メモの有効性を評価する。
論文 参考訳(メタデータ) (2023-05-03T21:40:54Z)
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。