Fugu-MT 論文翻訳(概要): GRAVITY: Architecture-Agnostic Structured Anchoring for Long-Horizon Conversational Memory

論文の概要: GRAVITY: Architecture-Agnostic Structured Anchoring for Long-Horizon Conversational Memory

arxiv url: http://arxiv.org/abs/2605.01688v1
Date: Sun, 03 May 2026 02:55:46 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-05 20:33:49.88424
Title: GRAVITY: Architecture-Agnostic Structured Anchoring for Long-Horizon Conversational Memory
Title（参考訳）: GRAVITY: 長期会話記憶のためのアーキテクチャ非依存構造アンカリング
Authors: Yushi Sun, Bowen Cao, Dong Fang, Lingfeng Su, Wai Lam,
Abstract要約: 本稿では,プラグイン・アンド・プレイ型構造化メモリモジュールGRAVITYを紹介する。生会話音声から3つの知識表現を抽出する。ホストシステムのプロンプトにこれらの表現を、構造化アンカーコンテキストとして注入する。
参考スコア（独自算出の注目度）: 38.10762218232756
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Long-horizon conversational agents rely on memory systems with increasingly sophisticated retrieval mechanisms. However, retrieved fragments are typically fed to the language model as unstructured text, lacking the relational, temporal, and thematic structures essential for complex reasoning. To bridge this reasoning gap, we introduce GRAVITY (\textbf{G}eneration-time \textbf{R}elational \textbf{A}nchoring \textbf{V}ia \textbf{I}njected \textbf{T}opological Memor\textbf{Y}), a plug-and-play structured memory module. GRAVITY extracts three complementary knowledge representations from raw conversational utterances: entity profiles grounded in relational graphs, temporal event tuples linked into causal traces, and cross-session topic summaries. At generation time, it injects these representations into the host system's prompt as structured anchoring contexts. This approach effectively synthesizes scattered evidence into a coherent, query-relevant context without requiring any architectural modifications to the host model. Extensive evaluations across five diverse memory systems on the LongMemEval and LoCoMo benchmarks demonstrate the efficacy of our approach. On average, GRAVITY improves LLM-judge accuracy by 7.5--10.1%. Gains are inversely correlated with baseline strength: the weakest host improves by 12.2% while the strongest still gains 3.8--5.7%. These findings establish structured context anchoring as a broadly effective, architecture-agnostic augmentation paradigm for long-horizon conversational memory.
Abstract（参考訳）: 長期会話エージェントは、ますます洗練された検索機構を持つメモリシステムに依存している。しかし、検索された断片は典型的には非構造化テキストとして言語モデルに供給され、複雑な推論に不可欠な関係性、時間的構造、テーマ構造が欠如している。この推論ギャップを埋めるために, GRAVITY (\textbf{G}eneration-time \textbf{R}elational \textbf{A}nchoring \textbf{V}ia \textbf{I}njected \textbf{T}opological Memor\textbf{Y}) を導入する。 GRAVITYは、生会話発話から3つの補完的知識表現を抽出する:関係グラフに基づくエンティティプロファイル、因果トレースにリンクされた時間的イベントタプル、セッション間のトピック要約である。生成時に、ホストシステムのプロンプトにこれらの表現を、構造化アンカーコンテキストとして注入する。このアプローチは、散在する証拠をホストモデルにアーキテクチャ的な変更を加えることなく、一貫性のあるクエリ関連コンテキストに効果的に合成する。 LongMemEval と LoCoMo ベンチマークによる5種類のメモリシステムに対する大規模な評価は,本手法の有効性を示すものである。最も弱いホストは12.2%、最も強いホストは3.8～5.7%である。これらの知見は、長期会話記憶のための広範に効果的でアーキテクチャに依存しない拡張パラダイムとして、構造化コンテキストアンカーを確立した。

関連論文リスト

FlexStructRAG: Flexible Structure-Aware Multi-Granular Relational Retrieval for RAG [25.45341852479756]
RAGシステムは、外部知識のセグメント化、構造化、検索の方法に依存する。マルチグラニュラー・クエリ適応検索をサポートする構造対応RAGフレームワークFlexStructRAGを提案する。実験の結果、FlexStructRAGは強力なRAGベースラインよりもセマンティック評価を改善することが示された。
論文参考訳（メタデータ） (2026-02-01T09:19:03Z)
E-mem: Multi-agent based Episodic Context Reconstruction for LLM Agent Memory [4.8183840404266185]
E-memは、メモリ前処理からエピソードコンテキスト再構成に移行するフレームワークである。 E-memは54%以上のF1を達成し、最先端のGAMを7.75%上回り、トークンコストを70%以上削減している。
論文参考訳（メタデータ） (2026-01-29T13:42:42Z)
Structured Episodic Event Memory [37.643537420763344]
本研究では,リレーショナル事実のためのグラフメモリ層と,物語進行のための動的エピソディックメモリ層を相乗化する階層型フレームワークである構造化エピソディックイベントメモリ(SEEM)を提案する。 LoCoMoとLongMemEvalのベンチマーク実験の結果、SEEMはベースラインを大幅に上回ることが示された。
論文参考訳（メタデータ） (2026-01-10T03:17:25Z)
Disco-RAG: Discourse-Aware Retrieval-Augmented Generation [81.53888908988756]
生成プロセスに談話信号を注入する談話認識フレームワークであるディスコRAGを提案する。提案手法は,チャンク内談話木を構築し,局所階層を捕捉し,クロスパスコヒーレンスをモデル化するためのチャンク間修辞グラフを構築する。質問応答と長期文書要約ベンチマークの実験から,提案手法の有効性が示された。
論文参考訳（メタデータ） (2026-01-07T20:32:50Z)
Beyond Fact Retrieval: Episodic Memory for RAG with Generative Semantic Workspaces [5.110309385104824]
大きな言語モデル(LLM)は、長いコンテキスト推論において根本的な課題に直面します。現在のソリューションでは、エピソードイベントを通じてエンティティを追跡するのに必要な、時空間で記述された物語表現を構築することができない。我々は,ニューロインスパイアされた生成記憶フレームワークである textbf Generative Semantic Workspace (GSW) を提案する。
論文参考訳（メタデータ） (2025-11-10T19:59:34Z)
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)
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)
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)
Beyond Chunking: Discourse-Aware Hierarchical Retrieval for Long Document Question Answering [51.7493726399073]
本稿では,長文質問応答を改善するための対話型階層型フレームワークを提案する。このフレームワークには3つの重要な革新がある: 長文の専門的な談話解析、LLMに基づく談話関係ノードの拡張、構造誘導階層検索である。
論文参考訳（メタデータ） (2025-05-26T14:45:12Z)

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。