論文の概要: GAM: Hierarchical Graph-based Agentic Memory for LLM Agents

• arxiv url: http://arxiv.org/abs/2604.12285v1
• Date: Tue, 14 Apr 2026 04:53:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.2468
• Title: GAM: Hierarchical Graph-based Agentic Memory for LLM Agents
• Title（参考訳）: GAM:LLMエージェントのための階層型グラフベースエージェントメモリ
• Authors: Zhaofen Wu, Hanrong Zhang, Fulin Lin, Wujiang Xu, Xinran Xu, Yankai Chen, Henry Peng Zou, Shaowen Chen, Weizhi Zhang, Xue Liu, Philip S. Yu, Hongwei Wang,
• Abstract要約: 大きな言語モデル(LLM)エージェントは、新しい情報を取得し、事前の知識を保持することの間の緊張関係をナビゲートする必要がある。 現在の統合ストリームベースのメモリシステムは、コンテキスト更新を容易にするが、過渡的ノイズからの干渉に弱いままである。 本稿では,階層型グラフベースのエージェントメモリフレームワークであるGAMを提案する。
• 参考スコア（独自算出の注目度）: 45.876418535406714
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To sustain coherent long-term interactions, Large Language Model (LLM) agents must navigate the tension between acquiring new information and retaining prior knowledge. Current unified stream-based memory systems facilitate context updates but remain vulnerable to interference from transient noise. Conversely, discrete structured memory architectures provide robust knowledge retention but often struggle to adapt to evolving narratives. To address this, we propose GAM, a hierarchical Graph-based Agentic Memory framework that explicitly decouples memory encoding from consolidation to effectively resolve the conflict between rapid context perception and stable knowledge retention. By isolating ongoing dialogue in an event progression graph and integrating it into a topic associative network only upon semantic shifts, our approach minimizes interference while preserving long-term consistency. Additionally, we introduce a graph-guided, multi-factor retrieval strategy to enhance context precision. Experiments on LoCoMo and LongDialQA indicate that our method consistently outperforms state-of-the-art baselines in both reasoning accuracy and efficiency.
• Abstract（参考訳）: コヒーレントな長期的相互作用を維持するために、Large Language Model (LLM) エージェントは、新しい情報を取得し、事前の知識を保持することの間の緊張関係をナビゲートする必要がある。 現在の統合ストリームベースのメモリシステムは、コンテキスト更新を容易にするが、過渡的ノイズからの干渉に弱いままである。 逆に、離散構造記憶アーキテクチャは、堅牢な知識保持を提供するが、しばしば進化する物語に適応するのに苦労する。 そこで我々は,階層型グラフベースのエージェントメモリフレームワークであるGAMを提案する。これは,メモリエンコーディングを統合から明確に分離し,迅速な文脈認識と安定した知識保持の矛盾を効果的に解決する。 イベント進行グラフで進行中の対話を分離し、セマンティックシフトによってのみトピック連想ネットワークに統合することにより、長期的な一貫性を維持しながら干渉を最小限に抑える。 さらに,文脈精度を向上させるため,グラフ誘導多要素探索手法を導入する。 LoCoMoとLongDialQAの実験により,提案手法は推理精度と効率性の両方において常に最先端のベースラインを上回っていることが示された。

関連論文リスト

• MemFly: On-the-Fly Memory Optimization via Information Bottleneck [35.420309099411874]
  長期記憶により、大きな言語モデルエージェントは歴史的相互作用を通じて複雑なタスクに取り組むことができる。 既存のフレームワークは、冗長な情報を効率よく圧縮し、下流タスクの正確な検索を維持するというジレンマに遭遇する。 MemFlyは、LLMのオンザフライメモリ進化を促進する情報ボトルネックの原則に基づくフレームワークである。 MemFlyは、メモリコヒーレンス、応答忠実度、精度において最先端のベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2026-02-08T09:37:25Z)
• 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)
• Improving Multi-step RAG with Hypergraph-based Memory for Long-Context Complex Relational Modeling [83.29209853451697]
  多段階検索強化世代(RAG)は,大規模言語モデル(LLM)の拡張戦略として広く採用されている。 我々はHGMemというハイパーグラフベースのメモリ機構を導入し、複雑な推論とグローバルな理解のためにメモリの概念を動的に表現的構造に拡張する。 提案手法では,ハイパーエッジが異なるメモリ単位に対応するハイパーグラフとして表現され,メモリ内での高次相互作用の進行的形成を可能にする。
  論文  参考訳（メタデータ） (2025-12-30T03:13:10Z)
• CAM: A Constructivist View of Agentic Memory for LLM-Based Reading Comprehension [55.29309306566238]
  現在のLarge Language Models (LLM) は、長文文書を解釈する際に圧倒的な情報量に直面している。 この課題は、バニラLSMを自律的な読み出しエージェントに高めることができる凝集性メモリモジュールの必須性を高める。 我々はジャン・ピアジェの構成主義理論(Constructivist Theory)からインスピレーションを得て、エージェントメモリの3つの特性(構造化スキーマ、フレキシブルな同化、動的調節)を表現した。
  論文  参考訳（メタデータ） (2025-10-07T02:16:30Z)
• Exploring Synaptic Resonance in Large Language Models: A Novel Approach to Contextual Memory Integration [0.0]
  新しいメカニズム、Synaptic Resonanceは、トレーニングと推論中に関連する記憶経路を動的に強化するために導入された。 オープンソースの言語モデルを用いて行った評価は、パープレキシティの低減、文脈的コヒーレンスの向上、入力雑音に対するロバスト性の向上を示す。
  論文  参考訳（メタデータ） (2025-02-15T07:06:10Z)

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。