論文の概要: GSEM: Graph-based Self-Evolving Memory for Experience Augmented Clinical Reasoning

• arxiv url: http://arxiv.org/abs/2603.22096v1
• Date: Mon, 23 Mar 2026 15:24:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.750433
• Title: GSEM: Graph-based Self-Evolving Memory for Experience Augmented Clinical Reasoning
• Title（参考訳）: GSEM: グラフベースの自己進化記憶を用いた臨床推論
• Authors: Xiao Han, Yuzheng Fan, Sendong Zhao, Haochun Wang, Bing Qin,
• Abstract要約: 臨床経験を二重層記憶グラフにまとめる臨床記憶フレームワークであるGSEM(Graph-based Self-Evolving Memory)を提案する。 2つのLLMバックボーンを持つMedR-BenchとMedAgentsBench全体で、GSEMは全てのベースラインの中で最も高い平均精度を達成する。
• 参考スコア（独自算出の注目度）: 37.548791166038605
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical decision-making agents can benefit from reusing prior decision experience. However, many memory-augmented methods store experiences as independent records without explicit relational structure, which may introduce noisy retrieval, unreliable reuse, and in some cases even hurt performance compared to direct LLM inference. We propose GSEM (Graph-based Self-Evolving Memory), a clinical memory framework that organizes clinical experiences into a dual-layer memory graph, capturing both the decision structure within each experience and the relational dependencies across experiences, and supporting applicability-aware retrieval and online feedback-driven calibration of node quality and edge weights. Across MedR-Bench and MedAgentsBench with two LLM backbones, GSEM achieves the highest average accuracy among all baselines, reaching 70.90\% and 69.24\% with DeepSeek-V3.2 and Qwen3.5-35B, respectively. Code is available at https://github.com/xhan1022/gsem.
• Abstract（参考訳）: 臨床意思決定エージェントは、事前の意思決定経験の再利用の恩恵を受けることができる。 しかし、多くのメモリ拡張手法は、明示的なリレーショナル構造を持たずに、経験を独立したレコードとして保存し、ノイズ検索や信頼性の低い再利用を導入し、場合によっては直接のLLM推定よりもパフォーマンスを損なうこともある。 臨床経験を二重層メモリグラフに整理し、各経験における決定構造と経験間の関係性の両方をキャプチャし、ノード品質とエッジ重量のオンラインフィードバック駆動キャリブレーションをサポートする臨床記憶フレームワークであるGSEM(Graph-based Self-Evolving Memory)を提案する。 MedR-BenchとMedAgentsBenchに2つのLLMバックボーンがあり、GSEMはDeepSeek-V3.2とQwen3.5-35Bでそれぞれ70.90\%と69.24\%に達した。 コードはhttps://github.com/xhan1022/gsem.comから入手できる。

関連論文リスト

• Evoking User Memory: Personalizing LLM via Recollection-Familiarity Adaptive Retrieval [59.295767860331004]
  RF-Memは、親しみやすい不確実性誘導デュアルパスメモリレトリバーである。 それは、人間のようなデュアルプロセス認識をレトリバーに埋め込む。 一定の予算とレイテンシの制約の下で、ワンショット検索とフルコンテキスト推論を一貫して上回る。
  論文  参考訳（メタデータ） (2026-03-10T06:31:44Z)
• AMemGym: Interactive Memory Benchmarking for Assistants in Long-Horizon Conversations [61.6579785305668]
  AMemGymは、メモリ駆動型パーソナライゼーションのためのオンライン評価と最適化を可能にする対話型環境である。 我々のフレームワークは、対話エージェントのメモリ能力を向上するためのスケーラブルで診断に富んだ環境を提供する。
  論文  参考訳（メタデータ） (2026-03-02T15:15:11Z)
• Choosing How to Remember: Adaptive Memory Structures for LLM Agents [43.27579458682491]
  メモリは、大きな言語モデル(LLM)ベースのエージェントが長い水平相互作用に対するコヒーレントな振舞いを維持するために重要である。 LLMエージェントに適応的なメモリ構成を可能にする統合フレームワークFluxMemを提案する。 PERSONAMEMとLoCoMoの2つのロングホライゾンベンチマーク実験により,本手法が平均改善率9.18%と6.14%を達成することを示した。
  論文  参考訳（メタデータ） (2026-02-15T07:56:24Z)
• Learning from Supervision with Semantic and Episodic Memory: A Reflective Approach to Agent Adaptation [11.819481846962447]
  本研究では,事前訓練された大規模言語モデル上に構築されたエージェントが,パラメータ更新なしでラベル付き例からターゲット分類関数を学習する方法について検討する。 我々のフレームワークは、エピソードメモリを使用して、インスタンスレベルの批判を保存し、それらを再利用可能なタスクレベルのガイダンスに蒸留する。 我々の研究は、より適応的で解釈可能なLLMエージェントを構築するためのメモリ駆動型反射学習の可能性を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-10-22T17:58:03Z)
• How Memory Management Impacts LLM Agents: An Empirical Study of Experience-Following Behavior [65.70584076918679]
  メモリは、大きな言語モデル(LLM)ベースのエージェントにおいて重要なコンポーネントである。 本稿では,メモリ管理の選択がLLMエージェントの行動,特に長期的パフォーマンスに与える影響について検討する。
  論文  参考訳（メタデータ） (2025-05-21T22:35:01Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Eigen Memory Tree [27.33148786536804]
  この研究は、シーケンシャルな学習シナリオのための新しいオンラインメモリモデルであるEigen Memory Tree (EMT)を紹介している。 我々は,EMTが既存のオンラインメモリの手法より優れていることを示すとともに,その性能を劇的に向上させるハイブリッド化EMTパラメトリックアルゴリズムを提供する。 本研究は,OpenMLリポジトリの206データセットを用いて,メモリのバウンダリと無限のバウンダリの両方で検証した。
  論文  参考訳（メタデータ） (2022-10-25T14:57:41Z)

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。