論文の概要: MemReread: Enhancing Agentic Long-Context Reasoning via Memory-Guided Rereading

• arxiv url: http://arxiv.org/abs/2605.10268v1
• Date: Mon, 11 May 2026 09:30:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.697083
• Title: MemReread: Enhancing Agentic Long-Context Reasoning via Memory-Guided Rereading
• Title（参考訳）: MemReread: メモリガイド読み取りによるエージェント長文推論の強化
• Authors: Baibei Ji, Xiaoyang Weng, Juntao Li, Zecheng Tang, Yihang Lou, Min Zhang,
• Abstract要約: 我々はMemRereadを提案し、標準的な注意機構の2次複雑さを伴わずに長文推論タスクに取り組む。 MemRereadは、ストリーミング読み込みに基づいて中間検索を回避し、最終メモリが不十分な場合に質問の分解と再読み込みをトリガーする。 この設計は、文書理解の固有の論理的流れを保ちながら、非線形推論をサポートする。
• 参考スコア（独自算出の注目度）: 46.00471665436759
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To tackle long-context reasoning tasks without the quadratic complexity of standard attention mechanisms, approaches based on agent memory have emerged, which typically maintain a dynamically updated memory when linearly processing document chunks. To mitigate the potential loss of latent evidence in this memorize-while-reading paradigm, recent works have integrated retrieval modules that allow agents to recall information previously discarded during memory overwriting. However, retrieval-based recall suffers from both evidence loss during memory formation and interference induced by invalid queries. To overcome these limitations, we propose MemReread. Built upon streaming reading, MemReread circumvents intermediate retrieval. It triggers question decomposition and rereading when the final memory is insufficient, enabling the recovery of indirect facts that were prematurely discarded. This design supports non-linear reasoning while preserving the inherent logical flow of document comprehension. To further enhance practicality, we introduce a reinforcement learning framework that enhances length extrapolation capability while dynamically determining the number of rereading passes based on task complexity, thereby flexibly controlling computational overhead. Extensive experiments demonstrate that MemReread consistently outperforms baseline frameworks on long-context reasoning tasks, while maintaining linear time complexity with respect to context length.
• Abstract（参考訳）: 標準的な注意機構の2次的な複雑さを伴わずに、長いコンテキスト推論タスクに取り組むために、エージェントメモリに基づくアプローチが登場し、文書チャンクを線形に処理する際には通常、動的に更新されたメモリを保持する。 この暗記時読解パラダイムにおける潜在証拠の潜在的な損失を軽減するため、最近の研究では、エージェントがメモリ上書き中に破棄された情報をリコールするための検索モジュールが統合されている。 しかし、検索ベースのリコールは、メモリ生成時のエビデンス損失と不正クエリによる干渉の両方に悩まされる。 これらの制限を克服するため、我々はMemRereadを提案する。 ストリーミング読み込みに基づいて構築されたMemRereadは、中間検索を回避している。 最終メモリが不十分なときに質問の分解と再読み込みをトリガーし、早めに破棄された間接的な事実の回復を可能にする。 この設計は、文書理解の固有の論理的流れを保ちながら、非線形推論をサポートする。 さらに実用性を高めるために,タスクの複雑さに基づいてリリーディングパスの回数を動的に決定し,計算オーバーヘッドを柔軟に制御しながら,長さ外挿能力を向上させる強化学習フレームワークを導入する。 大規模な実験では、MemRereadはコンテキスト長に関する線形時間複雑性を維持しながら、長いコンテキスト推論タスクのベースラインフレームワークを一貫して上回っている。

関連論文リスト

• 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)
• 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)
• MemWeaver: Weaving Hybrid Memories for Traceable Long-Horizon Agentic Reasoning [26.119505362626338]
  本稿では,長期エージェント体験を3つの相互接続コンポーネントに集約する統合メモリフレームワークを提案する。 MemWeaverは、構造化された知識を共同で検索し、エビデンスをサポートし、コンパクトで情報密度の高いコンテキストを構築するデュアルチャネル検索戦略を採用している。
  論文  参考訳（メタデータ） (2026-01-26T06:39:27Z)
• Amory: Building Coherent Narrative-Driven Agent Memory through Agentic Reasoning [14.368376032599437]
  Amoryは、オフライン時に構造化されたメモリ表現を積極的に構築するワーキングメモリフレームワークである。 アモリーは会話の断片を叙事詩の物語に整理し、記憶を運動量と統合し、周辺事実を意味記憶に意味づける。 Amoryは従来の最先端よりも大幅に改善され、パフォーマンスは完全なコンテキスト推論に匹敵し、レスポンスタイムを50%削減した。
  論文  参考訳（メタデータ） (2026-01-09T19:51:11Z)
• Look Back to Reason Forward: Revisitable Memory for Long-Context LLM Agents [33.617262543252494]
  本稿では、メモリ履歴全体からの選択的検索を可能にするコールバック強化メモリを備えたメモリ拡張エージェントReMemR1を提案する。 また,RLMLR(Reinforcement Learning with Multi-Level Rewards)を提案する。
  論文  参考訳（メタデータ） (2025-09-27T01:36:46Z)
• In Prospect and Retrospect: Reflective Memory Management for Long-term Personalized Dialogue Agents [70.12342024019044]
  大規模言語モデル(LLM)は、オープンエンド対話において大きな進歩を遂げているが、関連する情報の保持と取得ができないため、その有効性は制限されている。 本稿では,長期対話エージェントのための新しいメカニズムであるリフレクティブメモリ管理(RMM)を提案する。 RMMは、LongMemEvalデータセットのメモリ管理なしでベースラインよりも10%以上精度が向上している。
  論文  参考訳（メタデータ） (2025-03-11T04:15:52Z)
• Learning to Rehearse in Long Sequence Memorization [107.14601197043308]
  既存の推論タスクは、しばしば、推論中に入力内容が常にアクセス可能であるという重要な仮定を持つ。 メモリ拡張ニューラルネットワークは、人間のような書き込み読み取りメモリを導入し、1回のパスで長い入力シーケンスを圧縮し記憶する。 しかし、2つの重大な欠点がある: 1) メモリを現在の情報から継続的に更新し、必然的に初期の内容を忘れる; 2) 重要な情報を区別せず、全てのコンテンツを平等に扱う。 本稿では,履歴サンプリング装置を用いた自己教師型リハーサルによる長期記憶向上のためのリハーサルメモリを提案する。
  論文  参考訳（メタデータ） (2021-06-02T11:58:30Z)

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。