論文の概要: WorldDB: A Vector Graph-of-Worlds Memory Engine with Ontology-Aware Write-Time Reconciliation

• arxiv url: http://arxiv.org/abs/2604.18478v1
• Date: Mon, 20 Apr 2026 16:30:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.995634
• Title: WorldDB: A Vector Graph-of-Worlds Memory Engine with Ontology-Aware Write-Time Reconciliation
• Title（参考訳）: WorldDB: オントロジー対応のライト・タイム・リコンシリエーションを備えたベクターグラフ・オブ・ワールドメモリエンジン
• Authors: Harish Santhanalakshmi Ganesan,
• Abstract要約: WorldDBは3つのコミットメントに基づいて構築されたメモリエンジンである。 (i) 各ノードは世界であり、 (ii) ノードはコンテンツに適応し不変であり、 (iii) エッジは書き込み時プログラムである。 LongMemEval-s (500の質問、115kの会話スタック)では、応答子としてClaude Opus 4.7とWorldDBが96.40%、タスク平均精度97.11%を達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Persistent memory is the bottleneck separating stateless chatbots from long-running agentic systems. Retrieval-augmented generation (RAG) over flat vector stores fragments facts into chunks, loses cross-session identity, and has no first-class notion of supersession or contradiction. Recent bitemporal knowledge-graph systems (Graphiti, Memento, Hydra DB) add typed edges and valid-time metadata, but the graph itself remains flat: no recursive composition, no content-addressed invariants on nodes, and edge types carry no behavior beyond a label. We present WorldDB, a memory engine built on three commitments: (i) every node is a world -- a container with its own interior subgraph, ontology scope, and composed embedding, recursive to arbitrary depth; (ii) nodes are content-addressed and immutable, so any edit produces a new hash at the node and every ancestor, giving a Merkle-style audit trail for free; (iii) edges are write-time programs -- each edge type ships on_insert/on_delete/on_query_rewrite handlers (supersession closes validity, contradicts preserves both sides, same_as stages a merge proposal), so no raw append path exists. On LongMemEval-s (500 questions, ~115k-token conversational stacks), WorldDB with Claude Opus 4.7 as answerer achieves 96.40% overall / 97.11% task-averaged accuracy, a +5.61pp improvement over the previously reported Hydra DB state-of-the-art (90.79%) and +11.20pp over Supermemory (85.20%), with perfect single-session-assistant recall and robust performance on temporal reasoning (96.24%), knowledge update (98.72%), and preference synthesis (96.67%). Ablations show that the engine's graph layer -- resolver-unified entities and typed refers_to edges -- contributes +7.0pp task-averaged independently of the underlying answerer.
• Abstract（参考訳）: 永続メモリは、長時間実行されるエージェントシステムからステートレスなチャットボットを分離するボトルネックである。 平坦なベクトル上の検索拡張生成(RAG)は、フラグメント事実をチャンクに格納し、クロスセッションアイデンティティを失い、スーパーセッションや矛盾という第一級の概念を持たない。 最近のバイテンポラルな知識グラフシステム(Graphiti、Memento、Hydra DB)は、型付きエッジと有効なメタデータを付加しているが、グラフ自体がフラットである。 3つのコミットメントに基づいて構築されたメモリエンジンであるWorldDBを紹介します。 i) 各ノードは世界である -- 内部部分グラフ,オントロジースコープ,組込み,任意の深さへの再帰性を備えたコンテナ。 (ii)ノードは内容順化され不変であるため、どの編集でもノードとすべての祖先で新しいハッシュを生成し、Merkleスタイルの監査証跡を無償で提供します。 (iii)エッジは書き込み時間プログラムであり、各エッジタイプは on_insert/on_delete/on_query_rewriteハンドラ(セッションは妥当性を保ち、矛盾は両面を保存し、 same_as はマージ提案である)なので、生の付加パスは存在しない。 LongMemEval-s (500の質問, ~115kの会話スタック), WorldDB with Claude Opus 4.7 as answerer achieve 96.40% overall / 97.11% task-a averageaged accuracy, a +5.61pp improve than the previously reported Hydra DB state-of-the-art (90.79%), +11.20pp over SuperMemory (85.20%), with perfect single-session-assistant recall and robust performance on temporal reasoning (96.24%), knowledge update (98.72%), and preference synthesis (96.67%)。 アブレーションは、エンジンのグラフ層 -- レゾルバ統一エンティティと型付き reference_to エッジ -- が、下層の応答と独立して、+7.0pp タスク平均化に寄与していることを示している。

関連論文リスト

• Time is Not a Label: Continuous Phase Rotation for Temporal Knowledge Graphs and Agentic Memory [22.19616466232313]
  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。
  論文  参考訳（メタデータ） (2026-04-13T14:35:47Z)
• GAAMA: Graph Augmented Associative Memory for Agents [0.0]
  GAAMAは、概念を介する階層的知識グラフを構成するグラフ拡張連想記憶システムである。 LoCoMo-10ベンチマーク(10のマルチセッション会話で1,540の質問)では、GAAMAは78.9%の平均報酬を獲得し、調整されたRAGベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-03-29T23:33:38Z)
• Graph-Native Cognitive Memory for AI Agents: Formal Belief Revision Semantics for Versioned Memory Architectures [0.6091702876917279]
  Kumihoは、形式的信念修正セマンティクスに基づくグラフネイティブな認知記憶アーキテクチャである。 アーキテクチャは、二重ストアモデル(Redisワーキングメモリ、Neo4j長期グラフ)を実装し、ハイブリッドフルテキストとベクトル検索を備える。
  論文  参考訳（メタデータ） (2026-03-18T00:59:49Z)
• Selective Memory for Artificial Intelligence: Write-Time Gating with Hierarchical Archiving [0.0]
  パラメトリックアプローチは、選択的な更新を前に、知識を重みに圧縮する。 合成サリエンススコアを用いて、入ってくる知識オブジェクトをフィルタリングする書き込み時間ゲーティングを導入する。
  論文  参考訳（メタデータ） (2026-03-16T23:06:44Z)
• $G^2$-Reader: Dual Evolving Graphs for Multimodal Document QA [53.491241153213565]
  G2$-Readerはマルチモーダルな質問応答のためのデュアルグラフシステムである。 Qwen3-VL-32B-Instructによる$G2$-Readerの平均精度は66.21%に達し、強力なベースラインとスタンドアローンのGPT-5(53.08%)を上回った。 5つのマルチモーダルドメインにわたるVisDoMBenchでは、Qwen3-VL-32B-Instructを使った$G2$-Readerが平均精度66.21%に達し、強力なベースラインとスタンドアロンのGPT-5(53.08%)を上回っている。
  論文  参考訳（メタデータ） (2026-01-29T17:52:54Z)
• Full-History Graphs with Edge-Type Decoupled Networks for Temporal Reasoning [16.53173953073833]
  我々は、各時間ステップ毎に各エンティティの1つのノードをインスタンス化するフルヒストリーグラフを導入する。 運転注意予測(Waymo)とBitcoin不正検出(Elliptic++)で評価する。 これらの利得は、1つのグラフにおいて異なるエッジとして構造的および時間的関係を表す利点を示す。
  論文  参考訳（メタデータ） (2025-08-05T09:29:07Z)
• 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)
• SG-Tailor: Inter-Object Commonsense Relationship Reasoning for Scene Graph Manipulation [73.76691480257851]
  本稿では,2つのノード間の競合のない関係を予測する自己回帰モデルであるSG-Tailorを紹介する。 エッジ修正のために、SG-Tailorは、競合を解消し、グラフをグローバルに調整するために、Cut-And-Stitch戦略を採用している。
  論文  参考訳（メタデータ） (2025-03-23T09:11:04Z)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• Rethinking Space-Time Networks with Improved Memory Coverage for Efficient Video Object Segmentation [68.45737688496654]
  各オブジェクトのマスク特徴を再エンコードすることなく,フレーム間の直接対応性を確立する。 対応によって、現在のクエリフレーム内の全てのノードは、過去の特徴を連想的に集約することによって推測される。 すべてのメモリノードにコントリビュートする機会があることを検証し、そのような多彩な投票がメモリ効率と推論精度の両方に有益であることを示した。
  論文  参考訳（メタデータ） (2021-06-09T16:50:57Z)
• Iterative Context-Aware Graph Inference for Visual Dialog [126.016187323249]
  本稿では,新しいコンテキスト認識グラフ(CAG)ニューラルネットワークを提案する。 グラフの各ノードは、オブジェクトベース(視覚)と履歴関連(テキスト)コンテキスト表現の両方を含む、共同意味機能に対応している。
  論文  参考訳（メタデータ） (2020-04-05T13:09:37Z)

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。