論文の概要: HingeMem: Boundary Guided Long-Term Memory with Query Adaptive Retrieval for Scalable Dialogues

• arxiv url: http://arxiv.org/abs/2604.06845v1
• Date: Wed, 08 Apr 2026 09:07:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.444422
• Title: HingeMem: Boundary Guided Long-Term Memory with Query Adaptive Retrieval for Scalable Dialogues
• Title（参考訳）: HingeMem: スケーラブルな対話のためのクエリ適応検索付き境界ガイド付き長期メモリ
• Authors: Yijie Zhong, Yunfan Gao, Haofen Wang,
• Abstract要約: HingeMemは、バウンダリトリガーされたハイパーエッジを介して解釈可能なインデックスインターフェースを構築する、バウンダリガイダンス付き長期メモリである。 クエリ適応型検索機構は、(a) textit Whatを検索する: 要素インデックスメモリ上のクエリ条件付きルーティングを決定する。 HingeMemはクエリカテゴリの仕様なしで、強いベースラインに対して約20%の相対的な改善を実現している。
• 参考スコア（独自算出の注目度）: 12.529136884264092
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-term memory is critical for dialogue systems that support continuous, sustainable, and personalized interactions. However, existing methods rely on continuous summarization or OpenIE-based graph construction paired with fixed Top-\textit{k} retrieval, leading to limited adaptability across query categories and high computational overhead. In this paper, we propose HingeMem, a boundary-guided long-term memory that operationalizes event segmentation theory to build an interpretable indexing interface via boundary-triggered hyperedges over four elements: person, time, location, and topic. When any such element changes, HingeMem draws a boundary and writes the current segment, thereby reducing redundant operations and preserving salient context. To enable robust and efficient retrieval under diverse information needs, HingeMem introduces query-adaptive retrieval mechanisms that jointly decide (a) \textit{what to retrieve}: determine the query-conditioned routing over the element-indexed memory; (b) \textit{how much to retrieve}: control the retrieval depth based on the estimated query type. Extensive experiments across LLM scales (from 0.6B to production-tier models; \textit{e.g.}, Qwen3-0.6B to Qwen-Flash) on LOCOMO show that HingeMem achieves approximately $20\%$ relative improvement over strong baselines without query categories specification, while reducing computational cost (68\%$\downarrow$ question answering token cost compared to HippoRAG2). Beyond advancing memory modeling, HingeMem's adaptive retrieval makes it a strong fit for web applications requiring efficient and trustworthy memory over extended interactions.
• Abstract（参考訳）: 長期記憶は、持続的、持続的、パーソナライズされた対話をサポートする対話システムにとって重要である。 しかし、既存の手法では、連続的な要約やOpenIEベースのグラフ構築に、Top-\textit{k} 検索と組み合わせることで、クエリカテゴリ間の適応性が制限され、高い計算オーバーヘッドが発生する。 本稿では,人,時間,場所,話題の4要素にまたがる境界トリガー付きハイパーエッジを通じて,イベントセグメンテーション理論を運用し,解釈可能なインデクシングインターフェースを構築するための,境界誘導型長期メモリであるHingeMemを提案する。 このような要素が変更された場合、HingeMemはバウンダリを描画し、現在のセグメントを書き込む。 多様な情報ニーズ下で堅牢で効率的な検索を可能にするため、HingeMemはクエリ適応型検索機構を導入し、共同で決定する。 a) \textit{What to retrieve}: 要素インデックス付きメモリ上のクエリ条件付きルーティングを決定する。 b) \textit{how much to retrieve}: 推定クエリタイプに基づいて検索深度を制御する。 LLMスケール(0.6Bからプロダクションレベルモデル: Qwen3-0.6BからQwen-Flash)にわたる大規模な実験は、HingeMemがクエリカテゴリの仕様なしで強いベースラインに対して約20ドル%の相対的な改善を達成し、計算コスト(HippoRAG2)と比較して68ドル%$\downarrow$質問応答トークンコストを削減したことを示している。 メモリモデリングの進歩以外にも、HingeMemの適応検索は、拡張されたインタラクションよりも効率的で信頼性の高いメモリを必要とするWebアプリケーションに強く適合する。

関連論文リスト

• AdaMem: Adaptive User-Centric Memory for Long-Horizon Dialogue Agents [49.63422082885992]
  長軸対話エージェントのための適応型ユーザ中心メモリフレームワークであるAdaMemを提案する。 AdaMemは対話履歴をワーキング、エピソディック、ペルソナ、グラフメモリに整理する。 LoCoMo と PERSONAMEM ベンチマーク上での AdaMem の評価を行った。
  論文  参考訳（メタデータ） (2026-03-17T13:22:54Z)
• 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)
• AMA: Adaptive Memory via Multi-Agent Collaboration [54.490349689939166]
  複数の粒度にまたがるメモリ管理に協調エージェントを活用する新しいフレームワークであるAMA(Adaptive Memory via Multi-Agent Collaboration)を提案する。 AMAは、ステート・オブ・ザ・アートのベースラインを著しく上回り、トークンの消費をフルコンテキストの手法と比べて約80%削減する。
  論文  参考訳（メタデータ） (2026-01-28T08:09:49Z)
• From Single to Multi-Granularity: Toward Long-Term Memory Association and Selection of Conversational Agents [79.87304940020256]
  大言語モデル(LLM)は会話エージェントで広く採用されている。 MemGASは、多粒度アソシエーション、適応選択、検索を構築することにより、メモリ統合を強化するフレームワークである。 4つの長期メモリベンチマークの実験により、MemGASは質問応答と検索タスクの両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-26T06:13:07Z)
• Walking Down the Memory Maze: Beyond Context Limit through Interactive Reading [63.93888816206071]
  我々は,長いコンテキストを要約ノードのツリーに処理する手法であるMemWalkerを紹介した。クエリを受信すると,モデルがこのツリーをナビゲートして関連する情報を検索し,十分な情報を収集すると応答する。 その結果,MemWalkerは,テキストを対話的に読み取る際の推論ステップを強調し,クエリに関連するテキストセグメントをピンポイントすることで,説明性の向上を図っている。
  論文  参考訳（メタデータ） (2023-10-08T06:18:14Z)

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。