デュアルクラスタ・メモリ・エージェント：最適化問題解決におけるマルチパラダイムの曖昧性を解消する

arXiv cs.CL / 2026/4/23

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

LLMは、同一の問題に対して複数の関連するが競合するモデリング・パラダイムが成り立つ場合、構造的な曖昧性のために有効な解答生成が難しくなることがあります。
本論文では、Dual-Cluster Memory Agent（DCM-Agent）を提案し、学習なし（training-free）で過去の解を活用して性能を高めます。
中核となるのはDual-Cluster Memory Constructionで、過去の解を「モデリング」と「コーディング」の2つのクラスタに割り当て、それぞれをApproach（方針）、Checklist（チェックリスト）、Pitfall（落とし穴）の3種の構造化知識に蒸留します。
Memory-augmented Inferenceにより、推論経路を動的に選択・切り替えし、誤りの検出と修復を行い、構造化知識に基づいて解の進め方を適応的に変えられます。
7つの最適化ベンチマークで平均11%〜21%の性能向上が示され、さらに大規模モデルで構築したメモリが小規模モデルの性能を押し上げる「knowledge inheritance」現象も報告されています。