MeClear: Cooperative Game-Theoretic Attribution and Risk-Aware Memory Clearance for Long-Horizon LLM Agents

📄 arXiv: 2609.09115v1 📥 PDF

作者: Boyu Yang, Jiazheng Sun, Zilong Lu, Zhi Qiu, Xin Peng, Jun Zheng

分类: cs.AI, cs.SE

发布日期: 2026-09-08

备注: 15 pages, 12 figures

💡 一句话要点

提出MeClear以解决长时间交互中的记忆管理问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 记忆管理 合作归因 任务恢复 长时间交互

📋 核心要点

  1. 现有的记忆检索机制往往侧重于语义兼容性，导致引入过时或冲突的信息，影响任务执行效果。
  2. MeClear通过合作归因和任务条件的记忆清除策略，识别并抑制负面效用的记忆，从而优化代理的执行上下文。
  3. 在十个长对话记忆池的实验中，MeClear实现了85.9%的召回率和82.3%的任务恢复率，显著优于传统方法。

📝 摘要（中文）

长时间的大型语言模型（LLM）代理依赖外部记忆系统来保存用户偏好和任务知识。然而，传统的检索机制往往优化语义兼容性，而非下游效用，导致过时、误导或冲突的证据进入活跃上下文。为此，本文提出MeClear，一个任务条件的记忆清除框架，通过合作归因识别具有负面下游效用的记忆，并选择性地将其从代理执行中抑制。MeClear结合了Leave One Out筛选和采样的合作Shapley归因，有效解决了单一移除评估失败的冗余冲突掩蔽问题。实验结果表明，MeClear在十个长对话记忆池中实现了85.9%的目标召回率和82.3%的整体任务恢复率，相较于Leave One Out基线提升了25.5个百分点。

🔬 方法详解

问题定义：本文解决的问题是如何有效管理长时间交互中的记忆，以避免引入负面效用的过时或冲突信息。现有方法在处理这些问题时，往往无法有效识别和清除不必要的记忆，导致任务执行效果下降。

核心思路：MeClear的核心思路是通过合作归因来识别和抑制对下游任务有负面影响的记忆。该方法不仅关注单一记忆的影响，还考虑多个记忆之间的相互作用，从而实现更精准的记忆管理。

技术框架：MeClear的整体架构包括任务条件的记忆清除模块和合作归因模块。首先，通过Leave One Out筛选识别潜在的负面记忆，然后利用合作Shapley归因分配效用，最后执行基于查询的最小清除策略，确保任务恢复。

关键创新：MeClear的主要创新在于结合了Leave One Out筛选与合作Shapley归因，解决了传统方法在处理冗余冲突时的不足，能够更有效地识别和清除负面记忆。

关键设计：在设计上，MeClear采用了多层次的记忆过滤机制，并通过归因排名来指导记忆清除的优先级。此外，系统的参数设置和损失函数设计也经过精心调整，以确保最佳的任务恢复效果。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

MeClear在十个长对话记忆池的实验中实现了85.9%的目标召回率和82.3%的任务恢复率，相较于Leave One Out基线提升了25.5个百分点，显示出显著的性能优势。这一结果表明MeClear在记忆管理和任务执行中的有效性，具有重要的实际应用潜力。

🎯 应用场景

MeClear的研究成果在多个领域具有潜在应用价值，尤其是在需要长时间交互的智能助手、对话系统和个性化推荐等场景中。通过优化记忆管理，MeClear能够提升用户体验，减少信息冗余和冲突，从而提高系统的整体效能。未来，该方法还可以扩展到其他类型的智能代理和机器学习模型中，进一步推动智能系统的发展。

📄 摘要（原文）

Long horizon Large Language Model (LLM) agents rely on external memory systems to preserve user preferences and task knowledge across extended interactions. Conventional retrieval mechanisms optimize semantic compatibility rather than downstream utility, frequently introducing outdated, misleading, or conflicting evidence into the active context. We present MeClear, a task conditioned memory clearance framework that identifies memories featuring negative downstream utility through cooperative attribution and selectively suppresses them from agent execution. MeClear combines Leave One Out screening with sampled cooperative Shapley attribution to distribute utility across interacting evidence, effectively resolving redundant conflict masking where single removal evaluations fail. Utilizing attribution rankings, MeClear executes a query scoped minimal clearance strategy over a nested filtration, verifying task recovery on the cleared context without permanently altering the persistent memory bank. Comprehensive experimental evaluations across ten long dialogue memory pools demonstrate that MeClear achieves a target recall of 85.9% and an overall task recovery rate of 82.3%, representing a 25.5 percentage point improvement over Leave One Out (LOO) baselines.