論文の概要: Time is Not a Label: Continuous Phase Rotation for Temporal Knowledge Graphs and Agentic Memory
- arxiv url: http://arxiv.org/abs/2604.11544v1
- Date: Mon, 13 Apr 2026 14:35:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-14 20:13:16.612834
- Title: Time is Not a Label: Continuous Phase Rotation for Temporal Knowledge Graphs and Agentic Memory
- Title（参考訳）: Time is not a Label:Continuous Phase Rotation for Temporal Knowledge Graphs and Agentic Memory
- Abstract要約: RoMemは構造化メモリシステムのためのドロップイン時間知識グラフモジュールである。
データから、進化する関係は高速に回転し、永続的な関係は安定していなければならない、と学習する。
時間的知識グラフの補完について、RoMemはICEWS05-15で最先端の結果を達成する。
- 参考スコア（独自算出の注目度）: 22.19616466232313
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Structured memory representations such as knowledge graphs are central to autonomous agents and other long-lived systems. However, most existing approaches model time as discrete metadata, either sorting by recency (burying old-yet-permanent knowledge), simply overwriting outdated facts, or requiring an expensive LLM call at every ingestion step, leaving them unable to distinguish persistent facts from evolving ones. To address this, we introduce RoMem, a drop-in temporal knowledge graph module for structured memory systems, applicable to agentic memory and beyond. A pretrained Semantic Speed Gate maps each relation's text embedding to a volatility score, learning from data that evolving relations (e.g., "president of") should rotate fast while persistent ones (e.g., "born in") should remain stable. Combined with continuous phase rotation, this enables geometric shadowing: obsolete facts are rotated out of phase in complex vector space, so temporally correct facts naturally outrank contradictions without deletion. On temporal knowledge graph completion, RoMem achieves state-of-the-art results on ICEWS05-15 (72.6 MRR). Applied to agentic memory, it delivers 2-3x MRR and answer accuracy on temporal reasoning (MultiTQ), dominates hybrid benchmark (LoCoMo), preserves static memory with zero degradation (DMR-MSC), and generalises zero-shot to unseen financial domains (FinTMMBench).
- Abstract（参考訳）: 知識グラフのような構造化メモリ表現は、自律エージェントや他の長寿命システムの中心である。
しかし、既存のほとんどのアプローチは、時間を個別のメタデータとしてモデル化する。例えば、正確さによってソートする(古い知識を埋める)、単に時代遅れの事実を上書きする、または、全ての摂取ステップで高価なLCMコールを要求する、そして、持続的な事実と進化する事実を区別することができない、のいずれかである。
これを解決するために,構造化メモリシステムのためのドロップイン時相知識グラフモジュールであるRoMemを導入し,エージェントメモリなどに適用する。
事前訓練されたセマンティックスピードゲートは、各関係のテキストをボラティリティスコアに埋め込み、進化する関係(例えば、"president of")が高速に回転すべきである一方で、永続的な関係(例えば、"born in")が安定していなければならないデータから学習する。
これは連続的な位相回転と組み合わせることで幾何学的シャドーイングを可能にする: 古い事実は複素ベクトル空間の位相から回転するので、時間的に正しい事実は削除することなく自然に矛盾を克服する。
時間的知識グラフの完成について、RoMemはICEWS05-15 (72.6 MRR)で最先端の結果を得る。
エージェントメモリに適用すると、時間的推論(MultiTQ)で2～3倍のMRRを出力し、ハイブリッドベンチマーク(LoCoMo)を支配し、劣化ゼロ(DMR-MSC)で静的メモリを保存し、ゼロショットを未確認の金融ドメイン(FinTMMBench)に一般化する。
関連論文リスト
- Beyond Episodic Evaluation: Memory Architectural Bottlenecks in Sequential Embodied Question Answering [93.80043825360514]
EQA(Embodied Question answering)は、伝統的にエピソードの定式化の下で評価され、エージェントは各タスクを独立して解決し、エピソード間の内部状態をリセットする。
EQAエージェントを逐次評価する際に異なるメモリアーキテクチャがどのように振る舞うかを検討する。
既存のメモリを単純に保存することは、しばしば不十分である。
連続したシーン表現の視覚的意味的証拠を3次元幾何学にマッピングするアーキテクチャについて, 構造的, 空間的基盤的記憶の必要性を強調した。
論文 参考訳（メタデータ） (2026-07-23T17:50:45Z) - MRMS: A Multi-Resolution Memory Substrate for Long-Lived AI Agents [2.808851478009314]
長期的なAIエージェントは、相互作用の連続性を必要とする。
プロンプトウィンドウを拡張するだけで連続性を得ることはできない。
2つの軸に沿って構成されたアーキテクチャ記憶基板を提案する。
論文 参考訳（メタデータ） (2026-07-06T02:54:37Z) - REAL: A Reasoning-Enhanced Graph Framework for Long-Term Memory Management of LLMs [17.526686616588794]
大きな言語モデル(LLM)は、長い時間をかけてユーザーと対話することがますます期待されている。
LLMは過去のすべてのインタラクションを保持することができず、履歴情報の保存、更新、検索には長期記憶管理が不可欠である。
REALは長期会話記憶を時間的かつ信頼性に配慮したプロパティグラフとして構成する。
論文 参考訳（メタデータ） (2026-06-09T10:53:10Z) - Meta-Cognitive Memory Policy Optimization for Long-Horizon LLM Agents [13.846550145896314]
メモリ拡張LDMエージェントは、相互作用軌跡をコンパクトメモリに要約することにより、複雑な長距離タスクに対処する。
既存のアプローチでは、結果に基づく強化学習を使用してこれらのメモリポリシーをトレーニングし、中間メモリ品質が低下する場所のローカライズに失敗する。
メモリ最適化は、単なる軌道レベルの成功ではなく、中間要約によって引き起こされる信念の明確さに焦点をあてるべきである。
論文 参考訳（メタデータ） (2026-05-28T16:17:19Z) - WorldMemArena: Evaluating Multimodal Agent Memory Through Action-World Interaction [72.1620416874118]
マルチモーダルな言語モデルは、長距離エージェントとしてますます多くデプロイされている。
既存のベンチマークは、静的対話上のリコールを測定し、メモリを1つのタスクの精度に分解し、キャプションに対する視覚的な観察を減らす。
マルチモーダルエージェントメモリを,観測可能な4段階ライフサイクルを持つアクションワールドインタラクションループとして定式化する。
論文 参考訳（メタデータ） (2026-05-28T04:27:20Z) - Rethinking Memory as Continuously Evolving Connectivity [63.58181883607843]
既存のメモリ拡張LDMエージェントは、メモリを事前定義された表現と固定された検索パイプラインを備えた静的リポジトリとして扱う。
メモリをヘテロジニアスなグラフとしてモデル化し,そのトポロジを3段階にわたって段階的に洗練する,コネクティビティ進化型メモリフレームワークであるFluxMemを提案する。
LoCoMo、Mind2Web、GAIAなど、根本的に異なる3つのベンチマークにおいて、FluxMemは一貫した最先端のパフォーマンスを実現し、複雑なエージェント環境において強力な適応と一般化を示す。
論文 参考訳（メタデータ） (2026-05-27T17:35:34Z) - Mitigating Provenance-Role Collapse in Long-Term Agents via Typed Memory Representation [33.47493976010677]
本稿では,ソースモニタリングを構造制約として運用する型付きメモリ中間表現であるMemIRを提案する。
MemIRは、長期記憶を基底原子に書き、生の証拠、検索の手がかり、真理を含む主張を分離する。
LoCoMoとBEAM-100Kの実験は、MemIRが既存のメモリベースラインを一貫して上回ることを示した。
論文 参考訳（メタデータ） (2026-05-25T13:56:31Z) - Towards Multimodal Lifelong Understanding: A Dataset and Agentic Baseline [58.585692088008905]
MM-Lifelongはマルチモーダルライフロング理解のために設計されたデータセットである。
撮影時間は181.1時間で、日、週、月の各スケールにまたがって構成され、様々な時間密度を捉えている。
論文 参考訳（メタデータ） (2026-03-05T18:52:12Z) - 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) - Continuum Memory Architectures for Long-Horizon LLM Agents [0.0]
Retrieval-augmented Generation (RAG) は、文脈知識を備えた大規模言語モデル(LLM)エージェントのデフォルト戦略となっている。
textitContinuum Memory Architecture (CMA)は、インタラクション間の内部状態をメンテナンスし、更新するシステムのクラスです。
我々は、RAGの構造的欠如が記憶の蓄積、突然変異、曖昧さを露呈するタスクに対して、一貫した振る舞い上の利点を示す。
論文 参考訳（メタデータ） (2026-01-14T22:40:35Z) - Beyond Dialogue Time: Temporal Semantic Memory for Personalized LLM Agents [68.84161689205779]
テンポラルセマンティックメモリ(TSM)は、ポイントワイドメモリのセマンティックタイムをモデル化するメモリフレームワークである。
TSMは既存の手法を一貫して上回り、最大12.2%の精度向上を実現している。
論文 参考訳（メタデータ） (2026-01-12T12:24:44Z) - Agentic Learner with Grow-and-Refine Multimodal Semantic Memory [50.81667005063605]
ViLoMemは、コンパクトなスキーマベースのメモリを構築するデュアルストリームメモリフレームワークである。
視覚的障害パターンと論理的推論エラーを符号化し、MLLMが成功し失敗した経験から学ぶことを可能にする。
論文 参考訳（メタデータ） (2025-11-26T18:55:08Z) - Redundancy-as-Masking: Formalizing the Artificial Age Score (AAS) to Model Memory Aging in Generative AI [0.0]
人工知能は、時系列ではなく、記憶性能における構造的対称性を通して年齢が観察される。
この現象を捉えるため、AAS(Artificial Age Score)はログスケールのエントロピーインフォームドメトリックとして導入されている。
AASは、穏やかでモデルに依存しない仮定の下で、明確に定義され、境界付けられ、単調であることが証明されている。
論文 参考訳（メタデータ） (2025-09-24T02:18:27Z) - Respecting Temporal-Causal Consistency: Entity-Event Knowledge Graphs for Retrieval-Augmented Generation [69.45495166424642]
我々は,物語文書における時間的,因果的,文字的整合性を理解するために,頑健で差別的なQAベンチマークを開発する。
次に、バイナリマッピングでリンクされたエンティティとイベントのサブグラフを分離したまま保持するデュアルグラフフレームワークであるEntity-Event RAG(E2RAG)を紹介します。
ChronoQA全体で、我々のアプローチは最先端の非構造化およびKGベースのRAGベースラインよりも優れており、因果一貫性クエリや文字整合性クエリが顕著である。
論文 参考訳（メタデータ） (2025-06-06T10:07:21Z) - Temporal Knowledge Graph Reasoning Triggered by Memories [39.081920534877796]
本稿では, 過渡記憶, 長期記憶, 深部記憶を組み込んだMTDM(Memory-Triggered decision-making)ネットワークを提案する。
具体的には、過渡学習ネットワークは、過渡記憶を静的な知識グラフとみなし、タイムアウェア・リカレント進化ネットワークは、長期記憶から一連の再カレント進化単位を通して表現を学習する。
論文 参考訳（メタデータ） (2021-10-17T08:58:30Z)
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。