論文の概要: SAGE: A Self-Evolving Agentic Graph-Memory Engine for Structure-Aware Associative Memory

• arxiv url: http://arxiv.org/abs/2605.12061v1
• Date: Tue, 12 May 2026 12:47:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.862441
• Title: SAGE: A Self-Evolving Agentic Graph-Memory Engine for Structure-Aware Associative Memory
• Title（参考訳）: SAGE: 構造認識連想記憶のための自己進化型エージェントグラフメモリエンジン
• Authors: Juntong Wang, Haoyue Zhao, guanghui Pan, Xiyuan Wang, Yanbo Wang, Qiyan Deng, Muhan Zhang,
• Abstract要約: 本稿では,グラフメモリを動的長期記憶基板としてモデル化する自己進化型エージェントグラフメモリエンジンであるSAGEを紹介する。 SAGEには2つの役割がある: 相互作用履歴から構造化されたグラフメモリを漸進的に構成するメモリライタと、検索とメモリライタへのフィードバックを提供するGraph Foundation Modelベースのメモリリーダである。
• 参考スコア（独自算出の注目度）: 40.68349164818526
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-term memory is becoming a central bottleneck for language agents. Exsting RAG and GraphRAG systems largely treat memory graphs as static retrieval middleware, which limits their ability to recover complete evidence chains from partial cues, exploit reusable graph-structrual roles, and improve the memory itself through downstream feedback. We introduce SAGE, a Self-evolving Agentic Graph-memory Engine that models graph memory as a dynamic long-term memory substrate. SAGE couples two roles: a memory writer that incrementally constucts structured graph memory from interaction histories, and a Graph Foundation Model-based memory reader to perform retrieval and provide feedback to the memory writer. We provide rigorooous theoretical annalyses supporting the framework. Across multi-hop QA, open-domain retireval, domain-specific review QA, and long-term agent-memory benchmarks, SAGE improves evidence recovery, answer grounding, and retrieval efficiency: after two self-evolution rounds, it achieves the best average rank on multi-hop QA; in zero-shot open-domain transfer, it reaches 82.5/91.6 Recall@2/5 on NQ. Further results on LongMemEval and HaluMem show that traning and reader-writer feedback improve multiple long-term memory and hallucination-diagnostic metrics, suggesting that self-evolving, structure-aware graph memory is a promising foundation for robust long-horizon language agents.
• Abstract（参考訳）: 長期記憶は言語エージェントの中心的ボトルネックになりつつある。 RAGとGraphRAGは、メモリグラフを静的検索ミドルウェアとして扱うが、これは、部分的なキューから完全なエビデンスチェーンを復元し、再利用可能なグラフ構造ロールを活用し、下流からのフィードバックを通じてメモリ自体を改善する能力を制限する。 本稿では,グラフメモリを動的長期記憶基板としてモデル化する自己進化型エージェントグラフメモリエンジンであるSAGEを紹介する。 SAGEには2つの役割がある: 相互作用履歴から構造化されたグラフメモリを漸進的に構成するメモリライタと、検索とメモリライタへのフィードバックを提供するGraph Foundation Modelベースのメモリリーダである。 フレームワークを支える厳密な理論的分析を提供する。 マルチホップQA、オープンドメインのリタイバル、ドメイン固有のレビューQA、長期エージェントメモリベンチマークの他、SAGEはエビデンスリカバリ、回答基盤、検索効率を改善している。2回の自己進化ラウンドの後、マルチホップQAで最高の平均ランクを獲得し、ゼロショットのオープンドメイン転送では、NQで82.5/91.6 Recall@2/5に達する。 LongMemEval と HaluMem のさらなる結果は、転写と読み書きのフィードバックが複数の長期記憶と幻覚の診断指標を改善することを示し、自己進化型構造対応グラフメモリが堅牢な長期言語エージェントの基礎となることを示唆している。

関連論文リスト

• Mem-W: Latent Memory-Native GUI Agents [50.87647372904382]
  本稿では,メモリをエージェントの連続的コンテキストの一部として扱う,潜在メモリネイティブなGUIエージェントであるMem-Wを紹介する。 4つのWebおよびモバイルナビゲーションベンチマークで、Mem-Wはさまざまなバックボーンとメモリ拡張ベースラインを一貫して改善している。
  論文  参考訳（メタデータ） (2026-05-10T04:31:23Z)
• MemORAI: Memory Organization and Retrieval via Adaptive Graph Intelligence for LLM Conversational Agents [14.16693343382686]
  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。
  論文  参考訳（メタデータ） (2026-05-02T11:20:34Z)
• MemSearch-o1: Empowering Large Language Models with Reasoning-Aligned Memory Growth in Agentic Search [59.98962867649009]
  本稿では,メモリ成長とリトラシングに基づくエージェント検索フレームワークであるMemSearch-o1を提案する。 MemSearch-o1はクエリからメモリシードトークンからきめ細かいメモリフラグメントを成長させ、コントリビューション関数を通じてメモリを再トレースし、深く洗練し、最終的にグローバルに接続されたメモリパスを再編成する。
  論文  参考訳（メタデータ） (2026-04-19T05:35:06Z)
• MemMA: Coordinating the Memory Cycle through Multi-Agent Reasoning and In-Situ Self-Evolution [52.29303869050117]
  メモリ拡張LDMエージェントは、長期の相互作用をサポートするために外部メモリバンクを保持する。 MemMAはプラグアンドプレイのマルチエージェントフレームワークで、前方と後方の両方の経路に沿ってメモリサイクルを調整する。
  論文  参考訳（メタデータ） (2026-03-19T10:15:59Z)
• 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)
• Aeon: High-Performance Neuro-Symbolic Memory Management for Long-Horizon LLM Agents [0.0]
  大規模言語モデル(LLM)は、自己注意の2次計算コストと「中道の失われた」現象によって制約される。 我々は,静的ストアではなく,管理OSリソースとしてメモリを再定義するニューロシンボリック認知オペレーティングシステムであるAeonを提案する。
  論文  参考訳（メタデータ） (2026-01-14T15:23:22Z)
• Implicit Graph, Explicit Retrieval: Towards Efficient and Interpretable Long-horizon Memory for Large Language Models [26.694294747866834]
  暗黙的なグラフメモリと明示的なサブグラフ検索を組み合わせたメモリフレームワークであるLatntGraphMemを提案する。 LatentGraphMemは、安定性と効率性のためにグラフ構造化メモリを潜時空間に格納する。 複数のモデルスケールにわたるロングホライゾンベンチマークの実験によると、LatentGraphMemは、明示的なグラフと潜在メモリのベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-01-06T21:10:10Z)
• Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents [57.38404718635204]
  大規模言語モデル (LLM) エージェントは、有限コンテキストウィンドウによる長距離推論において基本的な制限に直面している。 既存のメソッドは通常、長期記憶(LTM)と短期記憶(STM)を独立したコンポーネントとして扱う。 本稿では,エージェントのポリシーに LTM と STM 管理を直接統合する統合フレームワークである Agentic Memory (AgeMem) を提案する。
  論文  参考訳（メタデータ） (2026-01-05T08:24:16Z)
• LiCoMemory: Lightweight and Cognitive Agentic Memory for Efficient Long-Term Reasoning [15.189701702660821]
  LiCoMemoryはリアルタイム更新と検索のためのエンドツーエンドのエージェントメモリフレームワークである。 CoGraphは、エンティティとリレーションをセマンティックインデックス層として利用する、軽量な階層グラフである。 長期の対話ベンチマークであるLoCoMoとLongMemEvalの実験では、LiCoMemoryは時間的推論、マルチセッション一貫性、検索効率において確立されたベースラインを上回るだけでなく、更新レイテンシも顕著に低減している。
  論文  参考訳（メタデータ） (2025-11-03T11:02:40Z)

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。