[論文レビュー] MAPLE: A Sub-Agent Architecture for Memory, Learning, and Personalization in Agentic AI Systems

Deepak Babu Piskala|arXiv (Cornell University)|Feb 3, 2026

Persona Design and Applications被引用数 0

ひとこと要約

MAPLEは memory、learning、personalization を分離したサブエージェントでリアルタイムのパーソナライズと非同期学習を実現し、stateless baseline に対して有意な改善を示す。MAPLE-Personas ベンチマークはより強いパーソナライズと特性の取り込みを示す。

ABSTRACT

Large language model (LLM) agents have emerged as powerful tools for complex tasks, yet their ability to adapt to individual users remains fundamentally limited. We argue this limitation stems from a critical architectural conflation: current systems treat memory, learning, and personalization as a unified capability rather than three distinct mechanisms requiring different infrastructure, operating on different timescales, and benefiting from independent optimization. We propose MAPLE (Memory-Adaptive Personalized LEarning), a principled decomposition where Memory handles storage and retrieval infrastructure; Learning extracts intelligence from accumulated interactions asynchronously; and Personalization applies learned knowledge in real-time within finite context budgets. Each component operates as a dedicated sub-agent with specialized tooling and well-defined interfaces. Experimental evaluation on the MAPLE-Personas benchmark demonstrates that our decomposition achieves a 14.6% improvement in personalization score compared to a stateless baseline (p < 0.01, Cohen's d = 0.95) and increases trait incorporation rate from 45% to 75% -- enabling agents that genuinely learn and adapt.

研究の動機と目的

• メモリ、学習、パーソナライズが LLM エージェントにとって構造的に独立すべき理由を明確化する。
• 専用ツールとインターフェースをもつ三サブエージェント MAPLE アーキテクチャを提案する。
• リアルタイムのパーソナライズと非同期学習を組み合わせた学習がユーザー固有の適応を改善することを示す。

提案手法

• エージェント認知を Memory（ストレージ／検索）、Learning（非同期の洞察抽出）、Personalization（リアルタイム適応）に分解する。
• 設計を神経生理学に触発した memory と retrieval-generation の文献で裏付ける。
• 統制されたアブレーションで stateless baseline に対する MAPLE-Personas ベンチマークを用いて評価する。
• リクエスト時のパーソナライズとバックグラウンド学習ループの二段階フローを用いる。

Figure 1. Personalization in action: Sarah (senior ML engineer) and Marcus (product manager) ask the same question about transformers. MAPLE retrieves different user profiles and generates tailored responses—technical implementation details for Sarah, conceptual analogies for Marcus.

実験結果

リサーチクエスチョン

• RQ1 メモリ、学習、パーソナライズを分離することは stateless baseline よりパーソナライズ品質を向上させるか。
• RQ2 非同期学習とリアルタイムパーソナライズの組み合わせは特性取り込みと完璧なパーソナライズスコアを高めるか。
• RQ3 MAPLE 設計は多様なユーザーペルソナとクエリに対してどのように機能するか。
• RQ4 サブエージェント分解の待ち時間とモジュール性の利点は何か。

主な発見

Metric	Base.	MAPLE	Δ
Judge Score (1–5)	4.17	4.78	+0.61***
Trait Incorp.	45%	75%	+30pp
Perfect (5/5)	15%	88%	+73pp

• MAPLE はパーソナライズスコアを相対的に 14.6% 向上させる（p<0.01、Cohen’s d=0.95）。
• 特性取り込みは MAPLE により 45% から 75% に上昇。
• 完璧なパーソナライズスコア（5/5）の割合は 15% から 88% に増加。

Figure 2. The evolution from foundation models to personalized agents. Base LLMs provide general capabilities; RAG adds knowledge retrieval; MAPLE introduces memory, learning, and personalization as distinct architectural components, enabling agents that adapt to individual users over time.