論文の概要: Temporal Order Matters for Agentic Memory: Segment Trees for Long-Horizon Agents

• arxiv url: http://arxiv.org/abs/2606.04555v1
• Date: Wed, 03 Jun 2026 07:42:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.611778
• Title: Temporal Order Matters for Agentic Memory: Segment Trees for Long-Horizon Agents
• Title（参考訳）: エージェント記憶の時間的秩序--長軸エージェントのセグメント木-
• Authors: Yifan Simon Liu, Liam Gallagher, Faeze Moradi Kalarde, Jiazhou Liang, Armin Toroghi, Scott Sanner,
• Abstract要約: SegTreeMemは、会話履歴を発話上の時間順のSegment Treeとして表現する。 検索のために、SegTreeMemは、木を通して関連スコアを伝搬し、局所的なセマンティックマッチングと階層的時間的コンテキストを組み合わせる。 追加の時間順置換解析により、メモリ構築時の時間順の保存による性能向上が示されている。
• 参考スコア（独自算出の注目度）: 20.461904943047468
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-horizon conversational agents need to interact with users through evolving events, tasks, and goals. Such histories are naturally temporal, yet many existing memory systems organize information primarily by topical similarity and may ignore the order in which events occur. We introduce Segment Tree Memory, or SegTreeMem, a memory architecture that represents conversation history as a temporally ordered Segment Tree over utterances. SegTreeMem incrementally inserts new utterances through an online rightmost-frontier update rule, preserving chronological order while forming hierarchical memory segments. For retrieval, SegTreeMem propagates relevance scores through the tree to combine local semantic matching with hierarchical temporal context. Across three long-horizon memory benchmarks and two LLM backbones, SegTreeMem improves answer quality over flat retrieval, graph-structured memory, and tree-structured memory baselines. Additional temporal-order permutation analysis shows that the performance gain depends on preserving temporal order during memory construction, supporting the claim that temporal order is a key structure for agentic memory.
• Abstract（参考訳）: 長期的な会話エージェントは、進化するイベント、タスク、目標を通じてユーザーと対話する必要がある。 このような履歴は自然に一時的なものであるが、多くの既存のメモリシステムは、主にトピックの類似性によって情報を整理し、イベントが発生する順序を無視する可能性がある。 本稿では,Segment Tree Memory(SegTreeMem)について紹介する。 SegTreeMemは、オンライン右最上位の更新ルールを通じて新たな発話をインクリメンタルに挿入し、階層的なメモリセグメントを形成しながら、時系列の順序を保存する。 検索のために、SegTreeMemは、木を通して関連スコアを伝搬し、局所的なセマンティックマッチングと階層的時間的コンテキストを組み合わせる。 3つの長期メモリベンチマークと2つのLDMバックボーンで、SegTreeMemはフラット検索、グラフ構造化メモリ、ツリー構造化メモリベースラインよりも回答品質を改善している。 追加の時間順置換解析は、時間順がエージェントメモリの重要な構造であるという主張を支持するため、メモリ構築中の時間順を保存することに依存する。

関連論文リスト

• StructMem: Structured Memory for Long-Horizon Behavior in LLMs [32.74072149174656]
  StructMemは構造化された階層型メモリフレームワークで、イベントレベルのバインディングを保持し、相互接続を誘導する。 デュアルパースペクティブを一時アンロックし、周期的なセマンティックコンソリデーションを実行することで、StructMemは、texttLoCoMo上での時間的推論とマルチホップパフォーマンスを改善し、トークンの使用、API呼び出し、ランタイムを大幅に削減する。
  論文  参考訳（メタデータ） (2026-04-23T14:57:23Z)
• AdaMem: Adaptive User-Centric Memory for Long-Horizon Dialogue Agents [49.63422082885992]
  長軸対話エージェントのための適応型ユーザ中心メモリフレームワークであるAdaMemを提案する。 AdaMemは対話履歴をワーキング、エピソディック、ペルソナ、グラフメモリに整理する。 LoCoMo と PERSONAMEM ベンチマーク上での AdaMem の評価を行った。
  論文  参考訳（メタデータ） (2026-03-17T13:22:54Z)
• Memory Matters More: Event-Centric Memory as a Logic Map for Agent Searching and Reasoning [55.251697395358285]
  大規模言語モデル(LLM)は、環境を推論し、計画し、相互作用するインテリジェントエージェントとして、ますます多くデプロイされている。 長期のシナリオに効果的にスケールするには、そのようなエージェントの重要な機能は、過去の経験を保持し、整理し、取り出すことができるメモリメカニズムである。 イベント理論にインスパイアされたイベント中心のメモリフレームワークであるCompassMemを提案する。
  論文  参考訳（メタデータ） (2026-01-08T08:44:07Z)
• AdmTree: Compressing Lengthy Context with Adaptive Semantic Trees [66.39371821756649]
  適応的で階層的なコンテキスト圧縮のための新しいフレームワークであるAdmTreeを提案する。 AdmTreeは情報密度に基づいて入力されたセグメントをgistトークンを利用して、可変長のセグメントをセマンティックバイナリツリーの葉として要約する。 グローバルなセマンティックコヒーレンスと共に細かな詳細を保存し、位置バイアスを緩和し、コンテンツに動的に適応することによって、AdmTreeは長いコンテキストのセマンティック情報をしっかりと保持する。
  論文  参考訳（メタデータ） (2025-12-04T08:04:19Z)
• On Memory Construction and Retrieval for Personalized Conversational Agents [69.46887405020186]
  本稿では,セグメンテーションモデルを導入し,セグメントレベルでメモリバンクを構築するセグメンテーション手法であるSeComを提案する。 実験結果から,SeComは長期会話ベンチマークLOCOMOとLong-MT-Bench+のベースラインよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2025-02-08T14:28:36Z)
• From Isolated Conversations to Hierarchical Schemas: Dynamic Tree Memory Representation for LLMs [9.822315423251395]
  動的木構造メモリ表現を活用するアルゴリズムであるMemTreeを導入し、情報の組織化、検索、統合を最適化する。 我々のアルゴリズムは、新しい情報や既存の情報のセマンティック埋め込みを比較して、このメモリ構造を動的に適応させ、モデルのコンテキスト認識を強化する。
  論文  参考訳（メタデータ） (2024-10-17T21:47:11Z)

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。