論文の概要: MGRetrieval: Memory-Guided Reflective Retrieval for Long-Term Dialogue Agents

• arxiv url: http://arxiv.org/abs/2605.27437v1
• Date: Fri, 22 May 2026 14:41:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.271229
• Title: MGRetrieval: Memory-Guided Reflective Retrieval for Long-Term Dialogue Agents
• Title（参考訳）: MGRetrieval:長期対話エージェントのための記憶誘導反射検索
• Authors: Tan Wang, Yunwei Dong,
• Abstract要約: 大規模言語モデル(LLM)は対話において大きな進歩を遂げているが、冗長なメモリコンテキストはそれらの有効性を制限している。 歴史的記憶の意味構造における反射的検索を基盤とした検索戦略であるMGRetrievalを提案する。 LoCoMoの大規模な実験により、MGRetrievalはF1の8.91%、BLEU-1の11.11%で最強のベースラインを上回った。
• 参考スコア（独自算出の注目度）: 10.248580356955085
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Models (LLMs) have made significant progress in dialogue, yet redundant memory contexts severely limit their effectiveness in long-term dialogue agents. External memory systems have been proposed to improve memory maintenance. However, these systems mainly rely on one-shot retrieval, which limits their ability to retrieve sufficient and relevant evidence. Although recent methods introduce reflection into retrieval, their retrieval paths are generated by the LLM from limited evidence, leading to unstable retrieval and additional latency overhead. %These limitations highlight the need for effective retrieval mechanisms. To address these limitations, we propose MGRetrieval, a retrieval strategy that grounds reflective retrieval in the semantic structure of historical memories. Specifically, MGRetrieval consists of two steps: (1) It references the structure of historical memories to construct a more precise retrieval path. (2) The LLM retains critical memories and determines whether accumulated memories are sufficient to stop further iterative retrieval. This allows the retrieval process to follow semantically meaningful paths. Through memory-guided retrieval and critical memory propagation, MGRetrieval gradually constructs concise and sufficient memory contexts. Extensive experiments on LoCoMo show that MGRetrieval outperforms the strongest baseline by 8.91\% in F1 and 11.11\% in BLEU-1 on average across Qwen2.5-14B and Qwen3-14B, while maintaining practical token and latency costs. The code can be found in https://anonymous.4open.science/r/MGRetrieval.
• Abstract（参考訳）: 大規模言語モデル(LLM)は対話において大きな進歩を遂げているが、冗長なメモリコンテキストは長期的な対話エージェントの有効性を著しく制限している。 メモリメンテナンスを改善するために外部メモリシステムが提案されている。 しかし、これらのシステムは主にワンショット検索に依存しており、十分な証拠と関連する証拠を検索する能力を制限する。 近年の手法では検索にリフレクションを導入しているが,その検索経路は限定的な証拠からLLMによって生成され,不安定な検索と追加の遅延オーバーヘッドが生じる。 %であり,これらの制限は効果的な検索機構の必要性を浮き彫りにした。 これらの制約に対処するため,歴史記憶のセマンティック構造を反映した検索戦略であるMGRetrievalを提案する。 具体的には、MGRetrievalは、2つのステップから構成される: 1) より正確な検索パスを構築するために歴史的記憶の構造を参照する。 2)LSMは臨界記憶を保持し,蓄積した記憶がさらなる反復的検索を止めるのに十分かどうかを判断する。 これにより、検索プロセスは意味論的に意味のある経路を辿ることができる。 メモリ誘導検索とクリティカルメモリ伝搬により、MGRetrievalは簡潔で十分なメモリコンテキストを徐々に構築する。 LoCoMoの大規模な実験により、MGRetrieval は F1 では8.91 %、BLEU-1 では11.11 %、Qwen2.5-14B と Qwen3-14B では平均して最強のベースラインを上回り、実際のトークンと遅延コストを維持している。 コードはhttps://anonymous.4open.science/r/MGRetrievalにある。

関連論文リスト

• 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)
• LMEB: Long-horizon Memory Embedding Benchmark [49.57481835614834]
  埋め込みモデルの能力を評価する包括的なフレームワークであるLong-Horizon Memory Embedding Benchmark (LMEB)を紹介する。 LMEBは4つのメモリタイプにまたがる22のデータセットと193のゼロショット検索タスクにまたがる。 我々は、数億から100億のパラメータを含む、広く使われている15の埋め込みモデルを評価した。
  論文  参考訳（メタデータ） (2026-03-13T02:09:57Z)
• 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)
• 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)
• In Prospect and Retrospect: Reflective Memory Management for Long-term Personalized Dialogue Agents [70.12342024019044]
  大規模言語モデル(LLM)は、オープンエンド対話において大きな進歩を遂げているが、関連する情報の保持と取得ができないため、その有効性は制限されている。 本稿では,長期対話エージェントのための新しいメカニズムであるリフレクティブメモリ管理(RMM)を提案する。 RMMは、LongMemEvalデータセットのメモリ管理なしでベースラインよりも10%以上精度が向上している。
  論文  参考訳（メタデータ） (2025-03-11T04:15:52Z)

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。