論文の概要: Toward a Theory of Hierarchical Memory for Language Agents

• arxiv url: http://arxiv.org/abs/2603.21564v1
• Date: Mon, 23 Mar 2026 04:35:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.486264
• Title: Toward a Theory of Hierarchical Memory for Language Agents
• Title（参考訳）: 言語エージェントの階層記憶の理論に向けて
• Authors: Yashar Talebirad, Ali Parsaee, Csongor Y. Szepesvari, Amirhossein Nadiri, Osmar Zaiane,
• Abstract要約: 3つの作用素の観点から統一理論を提案する。 文書階層、会話記憶、エージェント実行トレースにまたがる11の既存システムの分解をインスタンス化する。
• 参考スコア（独自算出の注目度）: 0.07829352305480285
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many recent long-context and agentic systems address context-length limitations by adding hierarchical memory: they extract atomic units from raw data, build multi-level representatives by grouping and compression, and traverse this structure to retrieve content under a token budget. Despite recurring implementations, there is no shared formalism for comparing design choices. We propose a unifying theory in terms of three operators. Extraction ($α$) maps raw data to atomic information units; coarsening ($C = (π, ρ)$) partitions units and assigns a representative to each group; and traversal ($τ$) selects which units to include in context given a query and budget. We identify a self-sufficiency spectrum for the representative function $ρ$ and show how it constrains viable retrieval strategies (a coarsening-traversal coupling). Finally, we instantiate the decomposition on eleven existing systems spanning document hierarchies, conversational memory, and agent execution traces, showcasing its generality.
• Abstract（参考訳）: 階層メモリを追加することでコンテキスト長の制限に対処し、原データから原子単位を抽出し、グループ化と圧縮によって多レベル代表を構築、トークン予算の下でコンテンツを取得するためにこの構造をトラバースする。 繰り返し実装されているにもかかわらず、設計選択を比較するための共有形式は存在しない。 3つの作用素の観点から統一理論を提案する。 原データを原子情報単位にマッピングする(α$)。粗い(C = (π, ρ)$)パーティション単位を分割し、各グループに代表を割り当てる(τ$)。 代表関数$ρ$に対する自己充足スペクトルを同定し、それが実行可能な検索戦略(粗大化-トラバース結合)をいかに制約するかを示す。 最後に,文書階層,会話メモリ,エージェント実行トレースにまたがる既存システム11の分解をインスタンス化し,その汎用性を示す。

関連論文リスト

• TopoChunker: Topology-Aware Agentic Document Chunking Framework [5.304983617085637]
  TopoChunkerは異種文書を構造化中間表現(Structured Intermediate Representation, SIR)にマッピングするエージェントフレームワークである 構造的忠実度と計算コストのバランスをとるため、TopoChunkerはデュアルエージェントアーキテクチャを採用している。 絶対生成精度が8.0%向上し、83.26%のRecall@3を達成し、同時にトークンオーバーヘッドを23.5%削減した。
  論文  参考訳（メタデータ） (2026-03-19T02:15:10Z)
• Beyond RAG for Agent Memory: Retrieval by Decoupling and Aggregation [22.803751188961865]
  検索は類似性マッチングを超えて移動し、代わりに潜在コンポーネントを操作するべきだと我々は主張する。 我々は、無傷ユニットの階層を構築し、検索可能な高レベルノード組織を維持するxMemoryを提案する。
  論文  参考訳（メタデータ） (2026-02-02T12:04:58Z)
• E-mem: Multi-agent based Episodic Context Reconstruction for LLM Agent Memory [4.8183840404266185]
  E-memは、メモリ前処理からエピソードコンテキスト再構成に移行するフレームワークである。 E-memは54%以上のF1を達成し、最先端のGAMを7.75%上回り、トークンコストを70%以上削減している。
  論文  参考訳（メタデータ） (2026-01-29T13:42:42Z)
• Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning [62.640169289390535]
  SPLIT-RAGは、質問駆動セマンティックグラフ分割と協調サブグラフ検索による制限に対処するマルチエージェントRAGフレームワークである。 革新的なフレームワークは、まずリンク情報のセマンティック分割を作成し、次にタイプ特化知識ベースを使用してマルチエージェントRAGを実現する。 属性対応グラフセグメンテーションは、知識グラフを意味的に一貫性のあるサブグラフに分割し、サブグラフが異なるクエリタイプと整合することを保証する。 階層的なマージモジュールは、論理的検証を通じて、部分グラフ由来の解答間の矛盾を解消する。
  論文  参考訳（メタデータ） (2025-05-20T06:44:34Z)
• A Flag Decomposition for Hierarchical Datasets [17.424354744499695]
  フラッグ多様体は、置換空間のネスト配列を符号化し、様々なコンピュータビジョンや機械学習アプリケーションのための強力な構造として機能する。 ここでは、階層的なデータセットを分解し、処理するための一般的なアルゴリズムの必要性に対処する。 特に,任意の階層的実保存データをStiefel座標の階層値フラグ表現に分解するフラッグベースの新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-02-11T18:59:52Z)
• CoHD: A Counting-Aware Hierarchical Decoding Framework for Generalized Referring Expression Segmentation [37.96005100341482]
  Generalized Referring Expression (GRES)は、複雑な多重/非ターゲットシナリオを含むことによって、古典的なRESの定式化を増幅する。 近年のアプローチでは、オブジェクト指向の識別により、よく認識されたRESフレームワークを直接拡張することで、GRESに対処している。 GRESのための textbfCounting-Aware textbfHierarchical textbfDecoding framework (CoHD) を提案する。
  論文  参考訳（メタデータ） (2024-05-24T15:53:59Z)
• How Deep Neural Networks Learn Compositional Data: The Random Hierarchy Model [47.617093812158366]
  言語と画像の階層構造にインスパイアされた合成タスクのファミリーであるランダム階層モデルを紹介する。 深層ネットワークは、等価なグループを交換するために不変な内部表現を開発することでタスクを学習する。 この結果から, ネットワークは次元の呪いを克服し, 不変表現を構築できることが示唆された。
  論文  参考訳（メタデータ） (2023-07-05T09:11:09Z)
• UnifieR: A Unified Retriever for Large-Scale Retrieval [84.61239936314597]
  大規模な検索は、クエリを与えられた巨大なコレクションから関連ドキュメントをリコールすることである。 事前学習型言語モデル(PLM)に基づく最近の検索手法は,高密度ベクターあるいはレキシコンに基づくパラダイムに大別することができる。 本論文では,高密度ベクトルとレキシコンに基づく検索を2つの表現能力を持つ1つのモデルで統合する学習フレームワークUnifieRを提案する。
  論文  参考訳（メタデータ） (2022-05-23T11:01:59Z)
• Autoregressive Search Engines: Generating Substrings as Document Identifiers [53.0729058170278]
  自動回帰言語モデルは、回答を生成するデファクト標準として現れています。 これまでの研究は、探索空間を階層構造に分割する方法を探究してきた。 本研究では,検索空間の任意の構造を強制しない代替として,経路内のすべてのngramを識別子として使用することを提案する。
  論文  参考訳（メタデータ） (2022-04-22T10:45:01Z)

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。