論文の概要: DeferMem: Query-Time Evidence Distillation via Reinforcement Learning for Long-Term Memory QA

• arxiv url: http://arxiv.org/abs/2605.22411v1
• Date: Thu, 21 May 2026 12:36:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.254468
• Title: DeferMem: Query-Time Evidence Distillation via Reinforcement Learning for Long-Term Memory QA
• Title（参考訳）: DeferMem: 長期メモリQAのための強化学習によるクエリ時エビデンス蒸留
• Authors: Jianing Yin, Tan Tang,
• Abstract要約: 大規模言語モデル(LLM)エージェントは、依然として長期記憶疑問応答に苦慮している。 本稿では,この問題をハイリコール候補検索とクエリ条件のエビデンス蒸留に分離する長期記憶フレームワークであるDederMemを紹介する。 LoCoMoとLongMemEval-Sでは、DeferMemはQAの精度とメモリシステムの効率性において強力なベースラインを超えている。
• 参考スコア（独自算出の注目度）: 3.56156695760535
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model (LLM) agents still struggle with long-term memory question answering, where answer-supporting evidence is often scattered across long conversational histories and buried in substantial irrelevant content. Existing memory systems typically process memory before future queries are known, then retrieve the resulting units based on similarity rather than their utility for answering the query. This workflow leaves downstream answerers to denoise retrieved candidates and reconstruct query-specific evidence. We present DeferMem, a long-term memory framework that decouples this problem into high-recall candidate retrieval and query-conditioned evidence distillation. DeferMem uses a lightweight segment-link structure to organize raw history and retrieve broad candidates at query time. It then applies a memory distiller trained with DistillPO, our reinforcement learning algorithm for distilling the high-recall but highly noisy candidates into a set of faithful, self-contained, and query-conditioned evidence. DistillPO formulates post-retrieval evidence distillation as a structured action comprising message selection and evidence rewriting. It optimizes this action with a decomposed-and-gated reward pipeline and structure-aligned advantage assignment, gating reward components from validity to quality checks while exposing task-level correctness feedback early and assigning each reward to its responsible output span. On LoCoMo and LongMemEval-S, DeferMem surpasses strong baselines in QA accuracy and memory-system efficiency, achieving the highest QA accuracy with the fastest runtime and zero commercial-API token cost for memory operations.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、長い会話履歴に解答支援の証拠が散在し、無関係な内容に埋もれてしまうという、長期的な記憶質問応答に苦慮している。 既存のメモリシステムは、将来のクエリが知られる前にメモリを処理し、クエリに応答するユーティリティではなく、類似性に基づいて結果のユニットを検索する。 このワークフローでは、下流の応答者が検索された候補を識別し、クエリ固有のエビデンスを再構築する。 本稿では,この問題をハイリコール候補検索とクエリ条件のエビデンス蒸留に分離する長期記憶フレームワークであるDederMemを紹介する。 DeferMemは軽量なセグメントリンク構造を使用して生の履歴を整理し、クエリ時に幅広い候補を検索する。 次に、高精細だがノイズの多い候補を忠実で自己完結したクエリ条件のエビデンスに蒸留するための強化学習アルゴリズムであるDistillPOで訓練されたメモリ蒸留器を適用します。 DistillPOは、メッセージの選択とエビデンス書き換えを含む構造化されたアクションとして、検索後のエビデンス蒸留を定式化している。 このアクションは、分解・ゲートされた報酬パイプラインと構造に整合した有利な割り当てで最適化され、報酬コンポーネントを妥当性から品質チェックに格上げすると同時に、タスクレベルの正確性フィードバックを早期に公開し、各報酬を責任ある出力スパンに割り当てる。 LoCoMoとLongMemEval-Sでは、DeferMemはQAの精度とメモリシステム効率の強力なベースラインを超え、最も高速なランタイムとメモリ操作のための商用APIトークンコストのゼロで最高のQAの精度を達成する。

関連論文リスト

• Learning to Remember: End-to-End Training of Memory Agents for Long-Context Reasoning [18.621823772319154]
  本稿では,メモリ操作と質問応答を一つのポリシーで統一するエンドツーエンド強化学習フレームワークを提案する。 UMAは、グローバルコンテキストのためのコンパクトなコアサマリと、明示的なCRUDをサポートする構造化メモリバンクという、二重メモリ表現を維持している。 Ledger-QA、Test-Time Learning、そしてCurcurate Retrievalにまたがる13のデータセットのうち、UMAは動的推論と学習タスクの長いコンテキストとRAGベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2026-02-13T16:54:23Z)
• 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)
• 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)
• From Single to Multi-Granularity: Toward Long-Term Memory Association and Selection of Conversational Agents [79.87304940020256]
  大言語モデル(LLM)は会話エージェントで広く採用されている。 MemGASは、多粒度アソシエーション、適応選択、検索を構築することにより、メモリ統合を強化するフレームワークである。 4つの長期メモリベンチマークの実験により、MemGASは質問応答と検索タスクの両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-26T06:13:07Z)
• LongMemEval: Benchmarking Chat Assistants on Long-Term Interactive Memory [68.97819665784442]
  チャットアシスタントの5つのコアメモリ能力を評価するためのベンチマークであるLongMemEvalを紹介する。 LongMemEvalは、既存の長期記憶システムにとって重要な課題である。 本稿では,長期記憶設計をインデックス化,検索,読解の3段階に分割する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-14T17:59:44Z)

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。