[論文レビュー] MemAdapter: Fast Alignment across Agent Memory Paradigms via Generative Subgraph Retrieval

Xin Zhang, Kailai Yang+5 more|arXiv (Cornell University)|Feb 9, 2026

Multimodal Machine Learning Applications被引用数 0

ひとこと要約

MemAdapter は生成的サブグラフ検索を用いて異種のエージ memories パラダイムを統合し、迅速なパラダイム間整合性を実現し、ベンチマークで最小限の学習計算量で競争力のある性能を発揮します。

ABSTRACT

Memory mechanism is a core component of LLM-based agents, enabling reasoning and knowledge discovery over long-horizon contexts. Existing agent memory systems are typically designed within isolated paradigms (e.g., explicit, parametric, or latent memory) with tightly coupled retrieval methods that hinder cross-paradigm generalization and fusion. In this work, we take a first step toward unifying heterogeneous memory paradigms within a single memory system. We propose MemAdapter, a memory retrieval framework that enables fast alignment across agent memory paradigms. MemAdapter adopts a two-stage training strategy: (1) training a generative subgraph retriever from the unified memory space, and (2) adapting the retriever to unseen memory paradigms by training a lightweight alignment module through contrastive learning. This design improves the flexibility for memory retrieval and substantially reduces alignment cost across paradigms. Comprehensive experiments on three public evaluation benchmarks demonstrate that the generative subgraph retriever consistently outperforms five strong agent memory systems across three memory paradigms and agent model scales. Notably, MemAdapter completes cross-paradigm alignment within 13 minutes on a single GPU, achieving superior performance over original memory retrievers with less than 5% of training compute. Furthermore, MemAdapter enables effective zero-shot fusion across memory paradigms, highlighting its potential as a plug-and-play solution for agent memory systems.

研究の動機と目的

• エージェントシステム間でのメモリパラダイム（明示的、パラメトリック、潜在的）の断片化に対処する。
• メモリ空間を統一し、未知のパラダイムへ適応する二段階学習戦略を用いた MemAdapter を提案する。
• クロスパラダイムゼロショット融合を含むベンチマーク全体での効率性と有効性を実証する。
• 低い学習計算量と時間でパラダイム間整合性を達成できることを示す。

提案手法

• 二段階学習: (1) 統一メモリ空間から生成的サブグラフリトリーバを訓練する。 (2) コントラスト学習で訓練された軽量な整合モジュールを通じて未知のメモリパラダイムへリトリーバを適応させる。
• サブグラフの生成的リトリーバを用いて柔軟なパラダイム間整合を可能にする。
• クロスパラダイム整合が単一GPUで13分以内に完了し、学習計算量の5%未満を使用することを示す。
• MemAdapter を五つの強力なエージェントメモリシステムと三つのメモリパラダイムおよびエージェントモデルスケールで評価する。

実験結果

リサーチクエスチョン

• RQ1 異なるメモリパラダイムを単一の柔軟なメモリシステムに統合するにはどうすればよいか。
• RQ2 生成的サブグラフリトリーバは迅速かつ効果的なパラダイム間整合を実現できるか。
• RQ3 MemAdapter は異なるメモリパラダイムとモデルスケールでどれほどの性能を発揮するか。
• RQ4 MemAdapter でパラダイム間のゼロショット融合は実現可能か。

主な発見

• 生成的サブグラフリトリーバは三つのパラダイムとモデルスケールにわたって、五つの強力なエージェントメモリシステムを一貫して上回る。
• クロスパラダイム整合は単一GPUで13分以内に完了する。
• MemAdapter は学習計算量の5%未満で優れた性能を達成する。
• このアプローチはパラダイム間のゼロショット融合を効果的に可能にする。