論文の概要: AnchorMem: Anchored Facts with Associative Contexts for Building Memory in Large Language Models

• arxiv url: http://arxiv.org/abs/2604.17377v1
• Date: Sun, 19 Apr 2026 11:02:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.49412
• Title: AnchorMem: Anchored Facts with Associative Contexts for Building Memory in Large Language Models
• Title（参考訳）: AnchorMem: 大規模言語モデルにおけるメモリ構築のための連想コンテキスト付きファクト
• Authors: Zhanyu Shen, Sijie Cheng, Zhicheng Guo, Weiqin Wang, Yile Wang, Hui Huang,
• Abstract要約: 既存のメモリメソッドは、頻繁に書き換えることによるインタラクションの整理に過度に重点を置いている。 本稿では,認知科学におけるPust Phenomenonに触発された新しい記憶フレームワークであるAnchorMemを紹介する。 本手法は,インタラクションの文脈的整合性によるきめ細かな検索を再現する。
• 参考スコア（独自算出の注目度）: 22.304693716449112
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While large language models have achieved remarkable performance in complex tasks, they still need a memory system to utilize historical experience in long-term interactions. Existing memory methods (e.g., A-Mem, Mem0) place excessive emphasis on organizing interactions by frequently rewriting them, however, this heavy reliance on summarization risks diluting essential contextual nuances and obscuring key retrieval features. To bridge this gap, we introduce AnchorMem, a novel memory framework inspired by the Proust Phenomenon in cognitive science, where a specific anchor triggers a holistic recollection. We propose a method that decouples the retrieval unit from the generation context. AnchorMem extracts atomic facts from interaction history to serve as retrieval anchors, while preserving the original context as the immutable context. To reveal implicit narrative cues, we construct an associative event graph that uses higher-order event links that bind sets of related facts into shared event representations, strengthening cross-memory integration without relying on generic entities as bridges. During retrieval, the system anchors queries to specific facts and events to locate relevant memories, but reconstructs the context using the associated raw chunks and events. Our method reconciles fine-grained retrieval with the contextual integrity of interactions. Experiments across three closed-source and open-source models on the LoCoMo benchmark demonstrate that AnchorMem significantly outperforms baselines. Code is available at https://github.com/RayNeo-AI-2025/AnchorMem.
• Abstract（参考訳）: 大規模言語モデルは複雑なタスクにおいて顕著なパフォーマンスを達成したが、長期的な相互作用において歴史的経験を利用するためのメモリシステムが必要である。 既存のメモリ手法(例えば、A-Mem、Mem0)は、頻繁に書き換えることによる相互作用の整理に過度に重点を置いているが、この要約への依存は、重要な文脈のニュアンスを減らし、重要な検索機能を隠蔽する。 このギャップを埋めるために、認知科学におけるProust Phenomenonにインスパイアされた新しい記憶フレームワークであるAnchorMemを紹介します。 本稿では,検索ユニットを生成コンテキストから分離する手法を提案する。 AnchorMemは相互作用履歴から原子事実を抽出して検索アンカーとして機能し、元のコンテキストを不変コンテキストとして保存する。 暗黙的な物語の手がかりを明らかにするために,関連する事象の集合を共有イベント表現にバインドする高階イベントリンクを用いた連想イベントグラフを構築し,汎用エンティティをブリッジとして依存することなく,メモリ間の統合を強化する。 検索中、システムはクエリを特定の事実やイベントにアンカーして関連する記憶を特定するが、関連する生のチャンクやイベントを使用してコンテキストを再構築する。 本手法は,インタラクションの文脈的整合性によるきめ細かな検索を再現する。 LoCoMoベンチマークにおける3つのクローズドソースおよびオープンソースモデルの実験は、AnchorMemがベースラインを大幅に上回っていることを示している。 コードはhttps://github.com/RayNeo-AI-2025/AnchorMemで入手できる。

関連論文リスト

• HeLa-Mem: Hebbian Learning and Associative Memory for LLM Agents [8.86975756125001]
  HeLa-Memは、バイオインスパイアされたメモリアーキテクチャで、Hebbianの学習力学を用いた動的グラフとしてメモリをモデル化する。 HeLa-Memは、(1)コアクティベーションパターンを通じて進化するエピソードメモリグラフ、(2)Hebbian Distillationを介して蓄積されるセマンティックメモリストアである。 LoCoMoの実験では、コンテキストトークンをはるかに少なく使用しながら、4つの質問カテゴリで優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-18T05:11:18Z)
• 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)
• TraceMem: Weaving Narrative Memory Schemata from User Conversational Traces [9.654990538033362]
  長期的な相互作用を維持することは、大規模言語モデルにとって依然としてボトルネックである。 ユーザの会話トレースから構造化された物語記憶スキーマを織り込むフレームワークであるTraceMemを提案する。 TraceMemは、ブレインインスパイアされたアーキテクチャで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-02-10T12:14:58Z)
• 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)
• The AI Hippocampus: How Far are We From Human Memory? [77.04745635827278]
  インプリシットメモリは、事前訓練されたトランスフォーマーの内部パラメータに埋め込まれた知識を指す。 明示メモリは、動的でクエリ可能な知識表現でモデル出力を増大させるように設計された外部ストレージと検索コンポーネントを含んでいる。 エージェントメモリは、自律エージェント内に永続的、時間的に拡張されたメモリ構造を導入する。
  論文  参考訳（メタデータ） (2026-01-14T03:24:08Z)
• Memory Matters More: Event-Centric Memory as a Logic Map for Agent Searching and Reasoning [55.251697395358285]
  大規模言語モデル(LLM)は、環境を推論し、計画し、相互作用するインテリジェントエージェントとして、ますます多くデプロイされている。 長期のシナリオに効果的にスケールするには、そのようなエージェントの重要な機能は、過去の経験を保持し、整理し、取り出すことができるメモリメカニズムである。 イベント理論にインスパイアされたイベント中心のメモリフレームワークであるCompassMemを提案する。
  論文  参考訳（メタデータ） (2026-01-08T08:44:07Z)
• Evaluating Long-Term Memory for Long-Context Question Answering [100.1267054069757]
  質問応答タスクにアノテートした合成長文対話のベンチマークであるLoCoMoを用いて,メモリ拡張手法の体系的評価を行う。 以上の結果から,メモリ拡張アプローチによりトークン使用率が90%以上削減され,競争精度が向上した。
  論文  参考訳（メタデータ） (2025-10-27T18:03:50Z)
• ArcMemo: Abstract Reasoning Composition with Lifelong LLM Memory [21.4675019810992]
  概念レベルのメモリは再利用され、ソリューショントレースから抽出されたモジュラー抽象化が自然言語に格納される。 我々は、合成一般化と抽象的推論を強調するベンチマークARC-AGIを評価する。 抽象概念は最も一貫したメモリ設計であり、全てのテストされた推論計算スケールでベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-09-04T17:54:19Z)
• Semantic Anchoring in Agentic Memory: Leveraging Linguistic Structures for Persistent Conversational Context [0.0]
  本稿では,ベクトルベースストレージを明示的な言語的手がかりで強化し,ニュアンス付きコンテキスト豊富な交換のリコールを改善するハイブリッド型エージェントメモリアーキテクチャを提案する。 適応した長期対話データセットの実験では、意味的アンカーがRAGベースラインよりも最大18%、事実的リコールと談話のコヒーレンスを改善することが示されている。
  論文  参考訳（メタデータ） (2025-08-18T05:14:48Z)

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。