論文の概要: MemORAI: Memory Organization and Retrieval via Adaptive Graph Intelligence for LLM Conversational Agents

• arxiv url: http://arxiv.org/abs/2605.01386v1
• Date: Sat, 02 May 2026 11:20:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.744208
• Title: MemORAI: Memory Organization and Retrieval via Adaptive Graph Intelligence for LLM Conversational Agents
• Title（参考訳）: MemORAI:LLM会話エージェントのための適応グラフインテリジェンスによる記憶機構と検索
• Authors: Hung Pham Van, Nguyen Manh Hieu, Khang Pham Tran Tuan, Nam Le Hai, Linh Ngo Van, Nguyen Thi Ngoc Diep, Trung Le,
• Abstract要約: 大きな言語モデル(LLM)は、長期的なパーソナライズされた会話のための永続的なメモリを欠いている。 既存のグラフベースのメモリシステムは、情報希釈、前兆追跡の欠如、クエリコンテキストを無視した一様検索に悩まされている。 MemORAIは,ユーザ個人関連コンテンツを保持するための2層圧縮による選択的メモリフィルタリング,ターンレベルにおける実データ追跡の証明付きマルチリレーショナルグラフ,動的重み付きPageRankを用いたクエリ適応サブグラフ検索という,3つのイノベーションを統合したフレームワークである。
• 参考スコア（独自算出の注目度）: 14.16693343382686
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) lack persistent memory for long-term personalized conversations. Existing graph-based memory systems suffer from information dilution, absent provenance tracking, and uniform retrieval that ignores query context. We introduce MemORAI (Memory Organization and Retrieval via Adaptive Graph Intelligence), a framework that integrates three innovations: selective memory filtering with dual-layer compression to retain user-persona-relevant content, a provenance-enriched multi-relational graph tracking factual origins at the turn level, and query-adaptive subgraph retrieval with Dynamic Weighted PageRank that applies query-conditioned edge weighting. Evaluated on LOCOMO and LongMemEval benchmarks, MemORAI achieves state-of-the-art performance in memory retrieval and personalized response generation, demonstrating that selective storage, enriched representation, and adaptive retrieval are essential for coherent, personalized LLM agents.
• Abstract（参考訳）: 大きな言語モデル(LLM)は、長期的なパーソナライズされた会話のための永続的なメモリを欠いている。 既存のグラフベースのメモリシステムは、情報希釈、前兆追跡の欠如、クエリコンテキストを無視した一様検索に悩まされている。 私たちはMemORAI (Memory Organization and Retrieval via Adaptive Graph Intelligence)という3つのイノベーションを統合するフレームワークを紹介します。 LOCOMOとLongMemEvalのベンチマークに基づいて、メモリ検索とパーソナライズされた応答生成の最先端性能を実現し、コヒーレントでパーソナライズされたLLMエージェントには、選択的ストレージ、リッチな表現、適応的検索が不可欠であることを実証した。

関連論文リスト

• TA-Mem: Tool-Augmented Autonomous Memory Retrieval for LLM in Long-Term Conversational QA [8.036549927091286]
  大規模言語モデル(LLM)は、様々なドメインにわたるテキストベースのコンテキストにおいて強力な推論能力を示した。 コンテキストウィンドウの制限は、長距離推論タスクにおけるモデルの課題を引き起こす。 ツール拡張型自律メモリ検索フレームワーク(TA-Mem)を導入する。 TA-MemはLoCoMoデータセットで評価され、既存のベースラインアプローチよりも大幅にパフォーマンスが向上した。
  論文  参考訳（メタデータ） (2026-03-10T07:27:01Z)
• Evoking User Memory: Personalizing LLM via Recollection-Familiarity Adaptive Retrieval [59.295767860331004]
  RF-Memは、親しみやすい不確実性誘導デュアルパスメモリレトリバーである。 それは、人間のようなデュアルプロセス認識をレトリバーに埋め込む。 一定の予算とレイテンシの制約の下で、ワンショット検索とフルコンテキスト推論を一貫して上回る。
  論文  参考訳（メタデータ） (2026-03-10T06:31:44Z)
• Graph-based Agent Memory: Taxonomy, Techniques, and Applications [63.70340159016138]
  メモリはLarge Language Model(LLM)ベースのエージェントの中核モジュールとして出現する。 さまざまなパラダイムの中でグラフは、関係依存をモデル化する本質的な能力のため、エージェントメモリの強力な構造として際立っている。 本調査では, エージェントメモリの総合的な検討について, グラフベースの観点から述べる。
  論文  参考訳（メタデータ） (2026-02-05T13:49:05Z)
• 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)
• Evo-Memory: Benchmarking LLM Agent Test-time Learning with Self-Evolving Memory [89.65731902036669]
  Evo-Memoryは、大規模言語モデル(LLM)エージェントで自己進化型メモリを評価するための、ストリーミングベンチマークとフレームワークである。 10以上の代表的なメモリモジュールを評価し、10種類の多ターンゴール指向およびシングルターン推論およびQAデータセットで評価した。
  論文  参考訳（メタデータ） (2025-11-25T21:08:07Z)
• MR.Rec: Synergizing Memory and Reasoning for Personalized Recommendation Assistant with LLMs [23.593398623128735]
  MR.Recは、LLM(Large Language Models)ベースのレコメンデーションのために、メモリと推論をシナジする新しいフレームワークである。 パーソナライズを実現するため、我々は、関連する外部メモリを効率よくインデックスし、検索する総合検索拡張生成システム(RAG)を開発した。 動的メモリ検索と適応推論を組み合わせることで、このアプローチはより正確でコンテキストを認識し、高度にパーソナライズされたレコメンデーションを保証する。
  論文  参考訳（メタデータ） (2025-10-16T12:40:48Z)
• 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)

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。