論文の概要: MemForest: An Efficient Agent Memory System with Hierarchical Temporal Indexing
- arxiv url: http://arxiv.org/abs/2605.23986v1
- Date: Sat, 16 May 2026 13:11:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:17.436839
- Title: MemForest: An Efficient Agent Memory System with Hierarchical Temporal Indexing
- Title（参考訳）: MemForest:階層型テンポラルインデックスを用いた効率的なエージェントメモリシステム
- Authors: Han Chen, Zining Zhang, Wenqi Pei, Bingsheng He, Ming Wu, Jason Zeng, Michael Heinrich, Wei Wu, Hongbao Zhang,
- Abstract要約: 本稿では,エージェントメモリを書き込み効率のよい時間的データ管理問題として再構成するメモリフレームワークであるMemForestを紹介する。
MemForestは、並列チャンク抽出によってシーケンシャルなボトルネックを破り、メモリ構成を並列で独立した操作に分離する。
We evaluate MemForest on two long-context memory benchmarks, LongMemEval-S and LoCoMo。
- 参考スコア（独自算出の注目度）: 33.94614583313314
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Memory is a fundamental component for enabling long-context LLM agents, supporting persistent state across interactions through a continuous serve-and-update lifecycle. Despite substantial prior work, existing systems suffer from significant maintenance overhead due to two key limitations: coarse-grained state management and inherently sequential update pipelines. In particular, updates are often tightly coupled with LLM inference and require full-state rewrites, leading to poor scalability and growing latency as memory accumulates. To address these challenges, we present MemForest, a memory framework that reformulates agent memory as a write-efficient temporal data management problem. MemForest breaks the sequential bottleneck via parallel chunk extraction, decoupling memory construction into concurrent, independent operations. To further eliminate coarse-grained maintenance, we introduce MemTree, a hierarchical temporal index that organizes memory as time-ordered trees rather than flat global summaries. This design replaces full-state rewrites with localized per-node updates, reducing maintenance cost to the affected tree paths while naturally preserving temporally evolving states. We evaluate MemForest on two long-context memory benchmarks, LongMemEval-S and LoCoMo. On LongMemEval-S, MemForest achieves the best overall performance among stateful baselines, reaching 79.8% pass@1 accuracy while sustaining a memory construction throughput approximately 6x higher than state-of-the-art approaches including EverMemOS.
- Abstract（参考訳）: メモリは、長期間のLLMエージェントを可能にするための基本的なコンポーネントであり、継続的なサーブ・アンド・アップデートのライフサイクルを通じて、インタラクション全体にわたって永続的な状態をサポートする。
大規模な状態管理と本質的にはシーケンシャルな更新パイプラインという2つの大きな制限があるため、既存のシステムは保守上のオーバーヘッドに悩まされている。
特に、更新はLLM推論と密結合され、フルステートの書き直しが必要になるため、メモリの蓄積に伴ってスケーラビリティが低下し、レイテンシが増大する。
これらの課題に対処するために,エージェントメモリを書き込み効率のよい時間的データ管理問題として再構成するメモリフレームワークであるMemForestを提案する。
MemForestは、並列チャンク抽出によってシーケンシャルなボトルネックを破り、メモリ構成を並列で独立した操作に分離する。
さらに大まかな保守をなくすため、平らなグローバルサマリーではなく、時間順のツリーとしてメモリを整理する階層的時間指数であるMemTreeを導入する。
この設計は、フルステートの書き直しをノードごとのローカルアップデートに置き換え、時間的に進化する状態を自然に保存しながら、影響を受けるツリーパスに対するメンテナンスコストを低減します。
We evaluate MemForest on two long-context memory benchmarks, LongMemEval-S and LoCoMo。
LongMemEval-Sでは、MemForestはステートフルベースラインの中で最高の全体的なパフォーマンスを達成し、79.8%のpass@1精度を達成し、メモリ構築スループットはEverMemOSを含む最先端のアプローチよりも約6倍高い。
関連論文リスト
- MemGym: a Long-Horizon Memory Environment for LLM Agents [69.79226770543049]
本稿では,エージェントメモリのベンチマークであるMemGymを紹介する。
MemGymは、メモリパフォーマンスを推論、検索、ツール使用能力から切り離すメモリアイソレーションスコアを報告している。
MEMGYM-CODEQAとMEMGYM-DRの合成パイプラインは、長さ制御可能であり、各ステージでアブレーションを検証可能であり、下流のシナリオと密に整合している。
論文 参考訳（メタデータ） (2026-05-20T07:25:33Z) - 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) - NextMem: Towards Latent Factual Memory for LLM-based Agents [58.35585202907478]
NextMemは、自動回帰型オートエンコーダを使用して、潜時メモリを効率的に構築する、潜時ファクトメモリフレームワークである。
大規模な実験は、NextMemが優れたパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2026-02-26T14:35:27Z) - When to Memorize and When to Stop: Gated Recurrent Memory for Long-Context Reasoning [50.486479460454866]
より安定かつ効率的な長文推論のための2つのテキスト制御ゲートを組み込んだGRU-Memを提案する。
GRU-Memは一般的に、最大400%の推論速度加速でバニラMemAgentを上回っている。
論文 参考訳（メタデータ） (2026-02-11T06:14:53Z) - Mem-T: Densifying Rewards for Long-Horizon Memory Agents [23.19373149519922]
我々は,動的更新やストリーミング入力によるマルチターン検索を行うために,軽量な階層型メモリデータベースと対話する自律メモリエージェントMem-Tを紹介する。
また,木誘導型強化学習フレームワークであるMoT-GRPOを提案する。
論文 参考訳（メタデータ） (2026-01-30T14:23:33Z) - 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) - TiMem: Temporal-Hierarchical Memory Consolidation for Long-Horizon Conversational Agents [31.793564520129348]
テンポラルメモリツリー(TMT)を通して会話を整理する時間階層型メモリフレームワークTiMemを提案する。
TiMemの特徴は3つのコア特性である。(1)TMTによる時間的階層構造、(2)微調整なしで階層レベルのメモリ統合を可能にする意味誘導統合、(3)複雑さの異なるクエリ間のバランスと効率のバランスをとる複雑性認識メモリリコールである。
論文 参考訳（メタデータ） (2026-01-06T09:24:19Z) - 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。