[논문 리뷰] MemAdapter: Fast Alignment across Agent Memory Paradigms via Generative Subgraph Retrieval

Xin Zhang, Kailai Yang외 5명|arXiv (Cornell University)|2026. 02. 09.

Multimodal Machine Learning Applications인용 수 0

한 줄 요약

MemAdapter는 생성적 하위 그래프 검색기를 통해 이질 에이전트 메모리 패러다임을 통합하여 빠른 교차-패러다임 정렬을 가능하게 하고 벤치마크에서 경쟁력 있는 성능을 보여주며 최소한의 학습 계산으로 달성.

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.

연구 동기 및 목표

• 에이전트 시스템 전반에서 메모리 패러다임(명시적, 매개변수화, 잠재적)의 단편화를 해소한다.
• 메모리 공간을 통합하고 보지 못한 패러다임에 적응하기 위한 두 단계 학습 전략을 가진 MemAdapter를 제안한다.
• 교차 패러다임 제로샷 융합을 포함한 벤치마크에서 효율성과 효과를 입증한다.
• 낮은 학습 계산량과 시간으로도 교차 패러다임 정렬이 달성될 수 있음을 보여준다.

제안 방법

• 두 단계 학습: (1) 통합된 메모리 공간에서 생성적 하위 그래프 검색기를 학습한다; (2) 대조 학습으로 훈련된 경량 정렬 모듈을 통해 미지의 메모리 패러다임에 검색기를 적응시킨다.
• 하위 그래프의 생성적 검색을 사용하여 유연한 교차-패러다임 정렬을 가능하게 한다.
• 단일 GPU에서 교차-패러다임 정렬이 13분 내에 완료되고 학습 계산의 5% 미만을 사용함을 입증한다.
• 세 가지 메모리 패러다임과 에이전트 모델 규모에 걸쳐 다섯 가지 강력한 에이전트 메모리 시스템에 대해 MemAdapter를 평가한다.

실험 결과

연구 질문

• RQ1 이종 메모리 패러다임을 단일하고 유연한 메모리 시스템으로 어떻게 통합할 수 있는가?
• RQ2 생성적 하위 그래프 검색기가 빠르고 효과적인 교차-패러다임 정합을 가능하게 할 수 있는가?
• RQ3 MemAdapter는 다양한 메모리 패러다임과 모델 규모에서 얼마나 잘 수행하는가?
• RQ4 MemAdapter를 사용한 메모리 패러다임 간 제로샷 융합은 가능한가?

주요 결과

• 생성적 하위 그래프 검색기는 세 가지 패러다임과 모델 규모에 걸쳐 다섯 강력한 에이전트 메모리 시스템을 지속적으로 능가한다.
• 교차-패러다임 정합은 단일 GPU에서 13분 안에 완료된다.
• MemAdapter는 학습 계산의 5% 미만으로 우수한 성능을 달성한다.
• 이 접근법은 메모리 패러다임 간 효과적인 제로샷 융합을 가능하게 한다.