論文の概要: T-Mem: Memory That Anticipates, Not Archives

• arxiv url: http://arxiv.org/abs/2606.15405v1
• Date: Sat, 13 Jun 2026 17:14:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.550902
• Title: T-Mem: Memory That Anticipates, Not Archives
• Title（参考訳）: T-Mem: アーカイブではなく、予想されるメモリ
• Authors: Weidong Guo, Dakai Wang, Zixuan Wang, Hui Liu, Yu Xu,
• Abstract要約: 本稿では,記述的記憶と連想的記憶の両方をカバーする,最初の長期会話型記憶アーキテクチャであるT-Memを提案する。 実証的な検証として、T-MemはLoCoMoとLoCoMo-Plusの両方で最先端に達する。
• 参考スコア（独自算出の注目度）: 33.07356563410912
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-term memory is essential for conversational agents to remain coherent across extended dialogues, follow through on commitments made many sessions earlier, and adapt their behaviour to each user. Current LLM-backed long-term conversational memory, however, is reachability-bounded by the similarity between a query and stored content, both lexical and dense-vector. The approach is effective when query and memory share surface features such as wording or named entities (we call this descriptive). But it misses another, equally valuable class of cases, where query and memory do not share surface features and are tied only by a latent semantic arc (associative). On this regime prevailing long-term memory systems collectively fail. Covering this other half is what allows an assistant, for the first time, to actively draw on past dialogue as a semantic asset. On the memory side, this is the engineering counterpart of what cognitive science calls episodic future thinking: rehearsing past experience for the future contexts under which it will need to be found. We call these write-time rehearsals triggers. We propose T-Mem, the first long-term conversational memory architecture that covers both descriptive and associative recall. At each of two evidence granularities, single facts and full exchanges, T-Mem instantiates one descriptive trigger family and one associative trigger family, so that every memory remains reachable from both surface-similar and relevance-bound queries. As empirical validation, T-Mem reaches state-of-the-art on both LoCoMo and LoCoMo-Plus.
• Abstract（参考訳）: 会話エージェントが対話を継続し、多くのセッションを完了し、各ユーザに対して行動を適用するためには、長期的な記憶が不可欠である。 しかし、現在のLLMベースの長期会話メモリは、クエリとストアドコンテンツ(語彙ベクトルと密度ベクトルの両方)の類似性により、到達性に限界がある。 このアプローチは、クエリとメモリ共有がワードや名前付きエンティティといった表面的な機能(これを記述型と呼ぶ)に有効です。 しかし、クエリとメモリが表面的な特徴を共有しておらず、潜伏したセマンティックアーク(連想的)によってのみ結び付けられている別の、同等に価値のあるケースのクラスを見逃している。 この体制では、長期記憶システムが一括して失敗する。 この残りの半分をカバーすれば、アシスタントが初めて、過去の対話をセマンティックアセットとして積極的に引き出すことができる。 記憶の面では、これは認知科学が先進的な未来思考と呼ぶ工学的側面である。 私たちはこれらの書き込み時のリハーサルトリガーを呼び出します。 本稿では,記述的記憶と連想的記憶の両方をカバーする,最初の長期会話型記憶アーキテクチャであるT-Memを提案する。 2つの証拠、単一の事実と完全な交換において、T-Memは1つの記述的トリガーファミリーと1つの連想的トリガーファミリーをインスタンス化し、全てのメモリは、表面類似および関連性のあるクエリから到達可能である。 実証的な検証として、T-MemはLoCoMoとLoCoMo-Plusの両方で最先端に達する。

関連論文リスト

• HeLa-Mem: Hebbian Learning and Associative Memory for LLM Agents [8.86975756125001]
  HeLa-Memは、バイオインスパイアされたメモリアーキテクチャで、Hebbianの学習力学を用いた動的グラフとしてメモリをモデル化する。 HeLa-Memは、(1)コアクティベーションパターンを通じて進化するエピソードメモリグラフ、(2)Hebbian Distillationを介して蓄積されるセマンティックメモリストアである。 LoCoMoの実験では、コンテキストトークンをはるかに少なく使用しながら、4つの質問カテゴリで優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-18T05:11:18Z)
• MemGround: Long-Term Memory Evaluation Kit for Large Language Models in Gamified Scenarios [33.8882826707344]
  MemGroundは、リッチでゲーミフィケーションされたインタラクティブシナリオを基盤とした、厳格な長期メモリベンチマークである。 メモリ利用と行動軌跡の両方を包括的に定量化するために,多次元計量スイートを提案する。
  論文  参考訳（メタデータ） (2026-03-23T02:57:39Z)
• 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)
• TraceMem: Weaving Narrative Memory Schemata from User Conversational Traces [9.654990538033362]
  長期的な相互作用を維持することは、大規模言語モデルにとって依然としてボトルネックである。 ユーザの会話トレースから構造化された物語記憶スキーマを織り込むフレームワークであるTraceMemを提案する。 TraceMemは、ブレインインスパイアされたアーキテクチャで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-02-10T12:14:58Z)
• The AI Hippocampus: How Far are We From Human Memory? [77.04745635827278]
  インプリシットメモリは、事前訓練されたトランスフォーマーの内部パラメータに埋め込まれた知識を指す。 明示メモリは、動的でクエリ可能な知識表現でモデル出力を増大させるように設計された外部ストレージと検索コンポーネントを含んでいる。 エージェントメモリは、自律エージェント内に永続的、時間的に拡張されたメモリ構造を導入する。
  論文  参考訳（メタデータ） (2026-01-14T03:24:08Z)
• Beyond Dialogue Time: Temporal Semantic Memory for Personalized LLM Agents [68.84161689205779]
  テンポラルセマンティックメモリ(TSM)は、ポイントワイドメモリのセマンティックタイムをモデル化するメモリフレームワークである。 TSMは既存の手法を一貫して上回り、最大12.2%の精度向上を実現している。
  論文  参考訳（メタデータ） (2026-01-12T12:24:44Z)
• 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)
• Mem-Gallery: Benchmarking Multimodal Long-Term Conversational Memory for MLLM Agents [76.76004970226485]
  長期記憶はマルチモーダル大言語モデル(MLLM)エージェントにとって重要な機能である。 Mem-GalleryはMLLMエージェントのマルチモーダル長期会話メモリ評価のための新しいベンチマークである。
  論文  参考訳（メタデータ） (2026-01-07T02:03:13Z)
• 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)

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。