論文の概要: DimMem: Dimensional Structuring for Efficient Long-Term Agent Memory
- arxiv url: http://arxiv.org/abs/2605.15759v2
- Date: Mon, 18 May 2026 03:35:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 23:51:08.285438
- Title: DimMem: Dimensional Structuring for Efficient Long-Term Agent Memory
- Title（参考訳）: DimMem:効率的な長期記憶のための次元構造化
- Authors: Wentao Qiu, Haotian Hu, Fanyi Wang, Jinwei Kong, Yu Zhang,
- Abstract要約: DimMemは、各メモリを時間、場所、理由、目的、キーワードなどの明示的なフィールドを持つアトミック、型付き、自己完結したユニットとして表現する。
LoCoMo-10 と LongMemEval-S 全体で、DimMem は textbf81.43% と textbf78.20% の総合精度をそれぞれ達成している。
- 参考スコア（独自算出の注目度）: 9.059024668312434
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language model (LLM) agents require long-term memory to leverage information from past interactions. However, existing memory systems often face a fidelity--efficiency trade-off: raw dialogue histories are expensive, while flat facts or summaries may discard the structure needed for precise recall. We propose \textbf{DimMem}, a lightweight dimensional memory framework that represents each memory as an atomic, typed, and self-contained unit with explicit fields such as time, location, reason, purpose, and keywords. This representation exposes the structure needed for dimension-aware retrieval, memory update, and selective assistant-context recall without storing full histories in the model context. Across LoCoMo-10 and LongMemEval-S, DimMem achieves \textbf{81.43\%} and \textbf{78.20\%} overall accuracy, respectively, outperforming existing lightweight memory systems while reducing LoCoMo per-query token cost by \textbf{24\%}. We further show that dimensional memory extraction is learnable by compact models: after fine-tuning on the DimMem schema, a Qwen3-4B extractor surpasses LightMem with GPT-4.1-mini on both benchmarks and reaches performance comparable to, or better than, much larger extractors in key settings. These results suggest that explicit dimensional structuring is an effective and efficient foundation for long-term memory in LLM agents. Code is available at https://github.com/ChowRunFa/DimMem.
- Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、過去のインタラクションの情報を活用するために長期記憶を必要とする。
生の対話履歴は高価であり、フラットな事実や要約は正確なリコールに必要な構造を捨てる可能性がある。
本稿では,各メモリを時間,場所,理由,目的,キーワードといった明示的なフィールドを持つアトミック,型付き,自己完結型の単位として表現する,軽量な次元メモリフレームワークである‘textbf{DimMem} を提案する。
この表現は、モデルコンテキストに全履歴を保存することなく、次元認識検索、メモリ更新、選択的アシスタントコンテキストリコールに必要な構造を公開する。
LoCoMo-10 と LongMemEval-S 全体で、DimMem は \textbf{81.43\%} と \textbf{78.20\%} の合計精度を達成し、既存の軽量メモリシステムより優れており、LoCoMo 当たりのトークンコストを \textbf{24\%} で削減している。
さらに、DimMemスキーマを微調整した後、Qwen3-4B抽出器は両方のベンチマークにおいてGPT-4.1-miniでLightMemを超越し、キー設定においてはるかに大きな抽出器よりも高い性能を達成する。
これらの結果は,LLMエージェントの長期記憶において,明示的な次元構造が有効かつ効率的な基礎となることを示唆している。
コードはhttps://github.com/ChowRunFa/DimMem.comで入手できる。
関連論文リスト
- H-Mem: A Novel Memory Mechanism for Evolving and Retrieving Agent Memory via a Hybrid Structure [18.614170579610555]
H-Memは、エージェントメモリの長期にわたる進化を効果的にモデル化できる新しいメモリメカニズムである。
木とグラフのハイブリッド構造を利用した効果的なメモリ検索手法を提供する。
論文 参考訳（メタデータ） (2026-05-15T07:46:38Z) - Beyond Dialogue Time: Temporal Semantic Memory for Personalized LLM Agents [68.84161689205779]
テンポラルセマンティックメモリ(TSM)は、ポイントワイドメモリのセマンティックタイムをモデル化するメモリフレームワークである。
TSMは既存の手法を一貫して上回り、最大12.2%の精度向上を実現している。
論文 参考訳（メタデータ） (2026-01-12T12:24:44Z) - MemLoRA: Distilling Expert Adapters for On-Device Memory Systems [71.32550994522738]
メモリ拡張大言語モデル(LLM)は対話中に顕著な一貫性を示す。
MemLoRAは、小さなVision-Language Modelを統合する新しいメモリシステムである。
VLM統合MemLoRA-Vはキャプションベースのアプローチで大幅に改善されている。
論文 参考訳（メタデータ） (2025-12-04T12:56:30Z) - General Agentic Memory Via Deep Research [12.503470046367838]
我々は,textbf General Agentic memory (GAM) と呼ばれる新しいフレームワークを提案する。
GAMは実行時にクライアントに最適化されたコンテキストを生成し、オフライン段階ではシンプルだが有用なメモリのみを保持する。
GAMは、既存のメモリシステムに対して様々なメモリ基底タスク完了シナリオを大幅に改善する。
論文 参考訳（メタデータ） (2025-11-23T12:29:33Z) - LightMem: Lightweight and Efficient Memory-Augmented Generation [72.21680105265824]
我々は、メモリシステムの性能と効率のバランスをとるLightMemという新しいメモリシステムを紹介した。
人間の記憶のアトキンソン・シフリンモデルにインスパイアされたLightMemは、メモリを3つの相補的なステージにまとめる。
GPTとQwenのバックボーンを用いたLongMemEvalの実験では、LightMemは高いベースライン(最大10.9%のゲイン)を上回り、トークンの使用量を最大117倍に削減している。
論文 参考訳（メタデータ） (2025-10-21T17:58:17Z) - Multiple Memory Systems for Enhancing the Long-term Memory of Agent [9.43633399280987]
MemoryBankやA-MEMといった既存の手法は、記憶されているメモリの質が劣っている。
我々は認知心理学理論にインスパイアされた多重記憶システムを設計した。
論文 参考訳（メタデータ） (2025-08-21T06:29:42Z) - HMT: Hierarchical Memory Transformer for Efficient Long Context Language Processing [33.720656946186885]
Hierarchical Memory Transformer (HMT) はモデル長文処理を容易にする新しいフレームワークである。
HMTは、既存のモデルの長文処理能力を一貫して改善する。
論文 参考訳（メタデータ） (2024-05-09T19:32:49Z) - Augmenting Language Models with Long-Term Memory [142.04940250657637]
既存の大規模言語モデル(LLM)では、入力長制限のため、固定サイズの入力しかできない。
本稿では,Long-Term Memory (LongMem) を付加した言語モデルを提案する。
論文 参考訳（メタデータ） (2023-06-12T15:13:39Z) - SCM: Enhancing Large Language Model with Self-Controlled Memory Framework [54.33686574304374]
大きな言語モデル(LLM)は、長い入力を処理できないため、重要な歴史的情報が失われる。
本稿では,LLMが長期記憶を維持し,関連する情報をリコールする能力を高めるための自己制御メモリ(SCM)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-04-26T07:25:31Z) - LaMemo: Language Modeling with Look-Ahead Memory [50.6248714811912]
右側トークンへの漸進的参加により再帰記憶を向上させるLook-Ahead Memory(LaMemo)を提案する。
LaMemoは、メモリ長に比例した追加のオーバーヘッドで、双方向の注意とセグメントの再発を受け入れる。
広く使われている言語モデリングベンチマークの実験は、異なる種類のメモリを備えたベースラインよりも優れていることを示した。
論文 参考訳（メタデータ） (2022-04-15T06:11:25Z)
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。