DeMem: Un Framework di Memoria Centrato sulle Decisioni per Agenti Linguistici

Uno studio recente pubblicato su arXiv (2605.10870) presenta un framework rate-distortion incentrato sulle decisioni per la memoria degli agenti. I ricercatori sostengono che gli attuali sistemi di memoria enfatizzano fattori descrittivi come la pertinenza e la salienza; tuttavia, l'utilità principale della memoria è mantenere separazioni tra storie che devono essere distinte entro un budget limitato per facilitare un processo decisionale corretto. Definiscono questa sfida come un problema di rate-distortion, quantificando l'efficacia della memoria attraverso il degrado della qualità decisionale risultante dalla compressione. Ciò porta a una soglia di oblio precisa per ciò che può essere omesso e a un confine di distorsione della memoria che illustra il miglior equilibrio tra risorse di memoria e qualità decisionale. Introducono DeMem, un apprendista di memoria online che regola le sue partizioni solo quando i dati indicano che uno stato condiviso potrebbe portare a errori decisionali. Questa ricerca è rivolta ad agenti linguistici a lungo orizzonte con memoria runtime limitata.