論文の概要: IMDMR: An Intelligent Multi-Dimensional Memory Retrieval System for Enhanced Conversational AI
- arxiv url: http://arxiv.org/abs/2511.05495v1
- Date: Wed, 10 Sep 2025 23:53:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-07 19:06:32.142677
- Title: IMDMR: An Intelligent Multi-Dimensional Memory Retrieval System for Enhanced Conversational AI
- Title（参考訳）: IMDMR: 会話型AIのための知的多次元記憶検索システム
- Authors: Tejas Pawar, Sarika Patil, Om Tilekar, Rushikesh Janwade, Vaibhav Helambe,
- Abstract要約: IMDMR(Intelligent Multi-dimensional Memory Retrieval)は,多次元検索アーキテクチャによる制限に対処する新しいシステムである。
本システムでは,動的ストラテジー選択,メモリ間エンティティ解決,高度なメモリ統合技術を備えたインテリジェントクエリ処理を取り入れている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Conversational AI systems often struggle with maintaining coherent, contextual memory across extended interactions, limiting their ability to provide personalized and contextually relevant responses. This paper presents IMDMR (Intelligent Multi-Dimensional Memory Retrieval), a novel system that addresses these limitations through a multi-dimensional search architecture. Unlike existing memory systems that rely on single-dimensional approaches, IMDMR leverages six distinct memory dimensions-semantic, entity, category, intent, context, and temporal-to provide comprehensive memory retrieval capabilities. Our system incorporates intelligent query processing with dynamic strategy selection, cross-memory entity resolution, and advanced memory integration techniques. Through comprehensive evaluation against five baseline systems including LangChain RAG, LlamaIndex, MemGPT, and spaCy + RAG, IMDMR achieves a 3.8x improvement in overall performance (0.792 vs 0.207 for the best baseline). We present both simulated (0.314) and production (0.792) implementations, demonstrating the importance of real technology integration while maintaining superiority over all baseline systems. Ablation studies demonstrate the effectiveness of multi-dimensional search, with the full system outperforming individual dimension approaches by 23.3%. Query-type analysis reveals superior performance across all categories, particularly for preferences/interests (0.630) and goals/aspirations (0.630) queries. Comprehensive visualizations and statistical analysis confirm the significance of these improvements with p < 0.001 across all metrics. The results establish IMDMR as a significant advancement in conversational AI memory systems, providing a robust foundation for enhanced user interactions and personalized experiences.
- Abstract（参考訳）: 会話型AIシステムは、拡張されたインタラクションをまたいだ一貫性のあるコンテキスト記憶を維持するのに苦労することが多く、パーソナライズされ、コンテキストに関連のある応答を提供する能力を制限する。
本稿では,IMDMR(Intelligent Multi-dimensional Memory Retrieval)を提案する。
単一の次元アプローチに依存する既存のメモリシステムとは異なり、IMDMRは6つの異なるメモリ次元(セマンティック、エンティティ、カテゴリ、インテント、コンテキスト、時間)を活用して、包括的なメモリ検索機能を提供する。
本システムでは,動的ストラテジー選択,メモリ間エンティティ解決,高度なメモリ統合技術を備えたインテリジェントクエリ処理を取り入れている。
LangChain RAG、LlamaIndex、MemGPT、paCy + RAGを含む5つのベースラインシステムに対する総合的な評価により、IMDMRは全体のパフォーマンスを3.8倍改善した(最高のベースラインでは0.792対0.207)。
シミュレーション(0.314)と実運用(0.792)の両方を実装し,全てのベースラインシステムに対して優位性を保ちながら,実際の技術統合の重要性を実証した。
アブレーション研究は多次元探索の有効性を示し、完全なシステムは個々の次元アプローチを23.3%上回った。
クエリ型分析は、特に嗜好/関心(0.630)および目標/願望(0.630)クエリにおいて、すべてのカテゴリで優れたパフォーマンスを示す。
総合的な可視化と統計分析により、すべての指標において p < 0.001 でこれらの改善が重要であることが確認される。
その結果、IMDMRは会話型AIメモリシステムにおいて重要な進歩であり、ユーザインタラクションの強化とパーソナライズされたエクスペリエンスのための堅牢な基盤を提供する。
関連論文リスト
- O-Mem: Omni Memory System for Personalized, Long Horizon, Self-Evolving Agents [60.1848551962911]
O-Memはアクティブユーザプロファイリングに基づく新しいメモリフレームワークである。
O-Memはペルソナ属性とトピック関連コンテキストの階層的検索をサポートする。
論文 参考訳（メタデータ） (2025-11-17T16:55:19Z) - Dream to Recall: Imagination-Guided Experience Retrieval for Memory-Persistent Vision-and-Language Navigation [8.14424628742372]
VLN(Vision-and-Language Navigation)は、エージェントが環境を通じて自然言語の指示に従う必要がある。
既存のメモリ永続化VLNのアプローチには、限界がある。
本稿では,暗黙記憶に基づく検索機構として想像力を利用するMemoirを提案する。
論文 参考訳（メタデータ） (2025-10-09T17:58:01Z) - MEM1: Learning to Synergize Memory and Reasoning for Efficient Long-Horizon Agents [84.62985963113245]
我々は,長時間のマルチターンタスクに対して,エージェントが一定のメモリで動作可能な,エンドツーエンドの強化学習フレームワークMEM1を紹介する。
各ターンでMEM1は、メモリ統合と推論を共同でサポートするコンパクトな共有内部状態を更新する。
その結果,MEM1-7Bは16目的のマルチホップQAタスクにおいて,Qwen2.5-14B-Instructと比較してメモリ使用量を3.7倍削減し,3.5倍の性能向上を示す。
論文 参考訳（メタデータ） (2025-06-18T19:44:46Z) - CAIM: Development and Evaluation of a Cognitive AI Memory Framework for Long-Term Interaction with Intelligent Agents [1.6082737760346446]
大規模言語モデル(LLM)は人工知能(AI)の分野を進歩させ、インタラクティブシステムのための強力なイネーブラーとなっている。
ユーザに対して適応する必要のある長期的なインタラクションや、常に変化する環境のコンテキスト的知識や理解において、依然として課題に直面しています。
これらの課題を克服するためには、インタラクションセッション間で関連情報を効率的に検索し保存するために、全体論的メモリモデリングが必要である。
コンピュータ化されたモデルで人間の思考プロセスをシミュレートすることを目的とした認知AIは、思考、記憶機構、意思決定といった興味深い側面を強調している。
論文 参考訳（メタデータ） (2025-05-19T12:33:52Z) - Rethinking Memory in AI: Taxonomy, Operations, Topics, and Future Directions [55.19217798774033]
メモリは、大規模言語モデル(LLM)ベースのエージェントを支える、AIシステムの基本コンポーネントである。
本稿ではまず,メモリ表現をパラメトリックおよびコンテキスト形式に分類する。
次に、コンソリデーション、更新、インデックス付け、フォッティング、検索、圧縮の6つの基本的なメモリ操作を紹介します。
論文 参考訳（メタデータ） (2025-05-01T17:31:33Z) - Mem0: Building Production-Ready AI Agents with Scalable Long-Term Memory [0.5584627289325719]
大規模言語モデル(LLM)は、文脈的に一貫性のある応答を生成する際、顕著な進歩を示した。
しかし、それらの固定されたコンテキストウィンドウは、長時間のマルチセッション対話に対する一貫性を維持するための根本的な課題を生じさせる。
私たちはMem0というスケーラブルなメモリ中心アーキテクチャを導入し、進行中の会話から健全な情報を動的に抽出し、統合し、取得することでこの問題に対処します。
論文 参考訳（メタデータ） (2025-04-28T01:46:35Z) - Embodied-RAG: General Non-parametric Embodied Memory for Retrieval and Generation [69.01029651113386]
Embodied-RAGは、非パラメトリックメモリシステムによるエンボディエージェントのモデルを強化するフレームワークである。
コアとなるEmbodied-RAGのメモリはセマンティックフォレストとして構成され、言語記述を様々なレベルで詳細に保存する。
Embodied-RAGがRAGをロボット領域に効果的にブリッジし、250以上の説明とナビゲーションクエリをうまく処理できることを実証する。
論文 参考訳（メタデータ） (2024-09-26T21:44:11Z) - A Framework for Inference Inspired by Human Memory Mechanisms [9.408704431898279]
本稿では,知覚,記憶,推論の構成要素からなるPMIフレームワークを提案する。
メモリモジュールは、ワーキングメモリと長期メモリから構成され、後者は、広範囲で複雑なリレーショナル知識と経験を維持するために、高次構造を備えている。
我々は、bAbI-20kやSolt-of-CLEVRデータセットのような質問応答タスクにおいて、一般的なTransformerとCNNモデルを改善するためにPMIを適用します。
論文 参考訳（メタデータ） (2023-10-01T08:12:55Z) - Differentially Evolving Memory Ensembles: Pareto Optimization based on
Computational Intelligence for Embedded Memories on a System Level [2.1094836466667606]
本稿では,計算機知能を用いてメモリシステムの最適化問題を解く方法について述べる。
私たちのフレームワークは、小さなリソースフットプリントを維持しながら、数千のメモリのシステムの最適化を可能にします。
論文 参考訳（メタデータ） (2021-09-20T12:53:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。