Fugu-MT 論文翻訳(概要): Rethinking How to Remember: Beyond Atomic Facts in Lifelong LLM Agent Memory

論文の概要: Rethinking How to Remember: Beyond Atomic Facts in Lifelong LLM Agent Memory

arxiv url: http://arxiv.org/abs/2605.19952v1
Date: Tue, 19 May 2026 15:05:06 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-20 15:03:09.462222
Title: Rethinking How to Remember: Beyond Atomic Facts in Lifelong LLM Agent Memory
Title（参考訳）: LLMエージェントの記憶にアトミック・ファクトを超える「思い出す方法」を再考
Abstract要約: LLMエージェントは、蓄積された対話履歴を忠実に保存し、効率的に検索し、深く推論できるメモリシステムを必要とする。本稿では,ソース識別子に固定された生の対話セグメントを含む3つの共存表現の粒度を格納するTriMemを提案する。
参考スコア（独自算出の注目度）: 88.81430082035617
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: To enable reliable long-term interaction, LLM agents require a memory system that can faithfully store, efficiently retrieve, and deeply reason over accumulated dialogue history. Most existing methods adopt an extracted fact based paradigm: handcrafted static prompts compress raw dialogues into atomic facts, which are then stored, matched, and injected into downstream reasoning. Nevertheless, such fact-centric designs inevitably discard fine-grained details in original dialogues and fail to support deep reasoning over scattered isolated facts. Moreover, static prompts cannot maintain consistent extraction granularity across diverse dialogue styles. To address these limitations, we propose TriMem, which maintains three coexisting representation granularities, including raw dialogue segments anchored by source identifiers for storage fidelity, extracted atomic facts for efficient memory retrieval, synthesized profiles that aggregate dispersed facts into holistic semantic understanding for deep reasoning. We further adopt TextGrad-based prompt optimization, which iteratively refines extraction and profiling prompts via response quality feedback, achieving lifelong evolution without any parameter updating. Extensive experiments on LoCoMo and PerLTQA across multiple LLM backbones demonstrate that TriMem consistently outperforms strong memory baselines. The code is available at https://TMLR-TriMem.github.io .
Abstract（参考訳）: 信頼性の高い長期的な対話を可能にするため、LLMエージェントは、蓄積された対話履歴を忠実に保存し、効率的に検索し、深く推論できるメモリシステムを必要とする。手作りの静的プロンプトは生の対話を原子の事実に圧縮し、それを保存、マッチング、下流の推論に注入する。しかしながら、このような事実中心の設計は、元の対話における細かな詳細を必然的に破棄し、分散した事実に対する深い推論をサポートしない。さらに、静的プロンプトは多様な対話スタイルで一貫した抽出粒度を維持することはできない。これらの制約に対処するため,TriMemを提案する。例えば,ソース識別子で固定された記憶忠実度を示す生の対話セグメント,効率的なメモリ検索のための原子事実抽出,分散した事実を総合的な意味的理解に集約する合成プロファイル,などである。さらに、TextGradベースのプロンプト最適化を採用し、応答品質フィードバックを通じて抽出とプロファイリングのプロンプトを反復的に洗練し、パラメータを更新することなく生涯の進化を達成する。複数のLDMバックボーンにわたるLoCoMoとPerLTQAの大規模な実験は、TriMemが強いメモリベースラインを一貫して上回ることを示した。コードはhttps://TMLR-TriMem.github.ioで公開されている。

関連論文リスト

DiaRelay: Relaying Dialogue Context with a Constant-Size Memory for Emotion Recognition in Conversation [27.460834617156028]
会話における感情認識(Emotion Recognition in Conversation, ERC)は、遠方の対話のターンにしばしば分散される微妙な感情的手がかりを特定するモデルを必要とする。本研究では,LDMが正確なERCのための対話レベルメモリを明示的に維持できる軽量アダプタDiaRelayを提案する。また,IEMOCAPでは7.1Mのトレーニングパラメータのみを用いて,SOTA重み付きF1とMELDの精度を向上できることを示した。
論文参考訳（メタデータ） (2026-08-24T03:09:15Z)
TrajWiki: Source-Grounded Memory Trajectories for Long-Horizon Dialogue Agents [17.027152676146592]
本稿では,長期会話エージェントのためのトラジェクトリベースのメモリフレームワークであるTrajWikiを提案する。メモリを静的エントリとして扱う代わりに、TrajWikiは各メモリをソース基底の進化軌道として表現する。 TrajWikiはさらに、永続的な中間層であるMemory Wikiを導入し、対話履歴を構造化および相互リンクされたwikiページにインクリメンタルにコンパイルする。
論文参考訳（メタデータ） (2026-08-02T03:36:03Z)
REAL: A Reasoning-Enhanced Graph Framework for Long-Term Memory Management of LLMs [17.526686616588794]
大きな言語モデル(LLM)は、長い時間をかけてユーザーと対話することがますます期待されている。 LLMは過去のすべてのインタラクションを保持することができず、履歴情報の保存、更新、検索には長期記憶管理が不可欠である。 REALは長期会話記憶を時間的かつ信頼性に配慮したプロパティグラフとして構成する。
論文参考訳（メタデータ） (2026-06-09T10:53:10Z)
Memori: A Persistent Memory Layer for Efficient, Context-Aware LLM Agents [0.0]
既存のアプローチはベンダーをロックインさせ、大量の生会話をプロンプトに注入することに頼っている。本稿では,メモリをデータ構造問題として扱うLCM非依存の永続メモリ層であるMemoriを紹介する。
論文参考訳（メタデータ） (2026-03-20T13:26:38Z)
EvolMem: A Cognitive-Driven Benchmark for Multi-Session Dialogue Memory [63.84216832544323]
EvolMemは、大規模言語モデル(LLM)とエージェントシステムのマルチセッションメモリ機能を評価するための新しいベンチマークである。このベンチマークを構築するために,話題から始まる生成と物語から着想を得た変換からなるハイブリッドデータ合成フレームワークを提案する。広範囲な評価により、LLMが全てのメモリ次元で常に他よりも優れていることが分かる。
論文参考訳（メタデータ） (2026-01-07T03:14:42Z)
Agentic Learner with Grow-and-Refine Multimodal Semantic Memory [50.81667005063605]
ViLoMemは、コンパクトなスキーマベースのメモリを構築するデュアルストリームメモリフレームワークである。視覚的障害パターンと論理的推論エラーを符号化し、MLLMが成功し失敗した経験から学ぶことを可能にする。
論文参考訳（メタデータ） (2025-11-26T18:55:08Z)
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)
A Simple Yet Strong Baseline for Long-Term Conversational Memory of LLM Agents [4.706565675142042]
LLMベースの会話エージェントは、多くのセッションにおいてコヒーレントでパーソナライズされたインタラクションを維持するのに依然として苦労している。ニューダビッドソンのイベントセマンティクスに触発され、会話履歴を短く、イベントのような命題として表現するイベント中心の代替案を提案する。我々の設計は、情報を非圧縮形式で保存し、より損失の多いものよりもアクセスしやすくすることを目的としています。
論文参考訳（メタデータ） (2025-11-21T12:41:17Z)
Evaluating Long-Term Memory for Long-Context Question Answering [100.1267054069757]
質問応答タスクにアノテートした合成長文対話のベンチマークであるLoCoMoを用いて,メモリ拡張手法の体系的評価を行う。以上の結果から,メモリ拡張アプローチによりトークン使用率が90%以上削減され,競争精度が向上した。
論文参考訳（メタデータ） (2025-10-27T18:03:50Z)
Recursively Summarizing Enables Long-Term Dialogue Memory in Large Language Models [30.48902594738911]
長い会話をすると、大きな言語モデル(LLM)は過去の情報を思い出さず、一貫性のない応答を生成する傾向がある。本稿では,長期記憶能力を高めるために,大規模言語モデル(LLM)を用いて要約/メモリを生成することを提案する。
論文参考訳（メタデータ） (2023-08-29T04:59:53Z)
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)

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。