論文の概要: AtomMem: Building Simple and Effective Memory System for LLM Agents via Atomic Facts

• arxiv url: http://arxiv.org/abs/2606.19847v1
• Date: Thu, 18 Jun 2026 06:56:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.685916
• Title: AtomMem: Building Simple and Effective Memory System for LLM Agents via Atomic Facts
• Title（参考訳）: AtomMem: アトミックファクトによるLLMエージェントのためのシンプルで効果的なメモリシステムの構築
• Authors: Yanyu Yao, Shangze Li, Zhi Zheng, Hui Zheng, Qi Liu, Tong Xu, Enhong Chen,
• Abstract要約: AtomMemは、バリューセンスストレージと安定したメモリ進化のために設計された長期記憶システムである。 Fact Executorは、ロングフォーム相互作用から高価値な原子事実を抽出し、高効率なメモリ表現として機能する。 検索中、システムは、断片化されたメモリを接続する連想記憶グラフを起動する。
• 参考スコア（独自算出の注目度）: 46.69653054083947
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) demonstrate strong reasoning and generation abilities, but their fixed context windows limit long-term information accumulation and reuse across multi-session interactions. Existing memory-augmented systems often construct memory in a coarse and unstable manner, relying on inefficient memory representations or unstable unconstrained updates. To address these challenges, we propose AtomMem, a long-term memory system designed for value-dense storage and stable memory evolution. AtomMem introduces a Fact Executor, which selectively extracts high value atomic facts from long form interactions to serve as highly efficient memory representations. Subsequently, AtomMem organizes these facts into hierarchical event structures and temporal profiles, capturing coherent episodic contexts and tracking dynamically evolving user attributes over time. During retrieval, the system activates an associative memory graph to connect fragmented memories. Experiments on the LoCoMo benchmark confirm that AtomMem achieves state-of-the-art performance across various reasoning tasks, offering a scalable and economically viable solution for deploying intelligent personalized agents.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、強い推論能力と生成能力を示すが、その固定されたコンテキストウィンドウは、マルチセッションインタラクションにおける長期的な情報の蓄積と再利用を制限している。 既存のメモリ拡張システムは、しばしば不効率なメモリ表現や不安定な非制約更新に頼って、粗い不安定な方法でメモリを構築する。 これらの課題に対処するために、我々は、価値密度ストレージと安定したメモリ進化のために設計された長期記憶システムAtomMemを提案する。 AtomMemはFact Executorを導入し、ロングフォームインタラクションから高価値な原子事実を選択的に抽出し、高効率なメモリ表現を提供する。 その後、AtomMemはこれらの事実を階層的なイベント構造と時間プロファイルに整理し、一貫性のあるエピソードコンテキストをキャプチャし、時間とともに動的に進化するユーザー属性を追跡する。 検索中、システムは、断片化されたメモリを接続する連想記憶グラフを起動する。 LoCoMoベンチマークの実験では、AtomMemがさまざまな推論タスクにわたって最先端のパフォーマンスを実現し、インテリジェントなパーソナライズされたエージェントをデプロイするためのスケーラブルで経済的に実行可能なソリューションを提供することを確認した。

関連論文リスト

• VikingMem: A Memory Base Management System for Stateful LLM-based Applications [22.527701567108195]
  本稿では,長期的相互作用の持続状態を管理するための新しいデータ管理パラダイムであるMemory Baseを紹介する。 本稿では,VikingDBベクタエンジン上に実装されたエンドツーエンドメモリベース管理システムであるVikingMemを紹介する。
  論文  参考訳（メタデータ） (2026-05-28T09:07:42Z)
• WorldMemArena: Evaluating Multimodal Agent Memory Through Action-World Interaction [72.1620416874118]
  マルチモーダルな言語モデルは、長距離エージェントとしてますます多くデプロイされている。 既存のベンチマークは、静的対話上のリコールを測定し、メモリを1つのタスクの精度に分解し、キャプションに対する視覚的な観察を減らす。 マルチモーダルエージェントメモリを,観測可能な4段階ライフサイクルを持つアクションワールドインタラクションループとして定式化する。
  論文  参考訳（メタデータ） (2026-05-28T04:27:20Z)
• RMBench: Memory-Dependent Robotic Manipulation Benchmark with Insights into Policy Design [77.30163153176954]
  RMBenchは、メモリの複雑さの複数のレベルにまたがる9つの操作タスクからなるシミュレーションベンチマークである。 Mem-0は、制御アブレーション研究をサポートするために設計された明示的なメモリコンポーネントを備えたモジュラー操作ポリシーである。 既存のポリシにおけるメモリ関連の制限を特定し、アーキテクチャ設計の選択がメモリパフォーマンスに与える影響に関する実証的な洞察を提供する。
  論文  参考訳（メタデータ） (2026-03-01T18:59:59Z)
• MetaMem: Evolving Meta-Memory for Knowledge Utilization through Self-Reflective Symbolic Optimization [57.17751568928966]
  自己進化型メタメモリでメモリシステムを拡張するフレームワークであるMetaMemを提案する。 メタメモリ最適化の間、MetaMemは異なるタスク間で伝達可能な知識利用経験を反復的に蒸留する。 大規模な実験ではMetaMemの有効性が示され、これは強いベースラインを3.6%以上上回っている。
  論文  参考訳（メタデータ） (2026-01-27T04:46:23Z)
• AtomMem : Learnable Dynamic Agentic Memory with Atomic Memory Operation [40.1709026042412]
  本稿では,メモリ管理を動的意思決定問題として再設計するAtomMemを提案する。 教師付き微調整と強化学習を組み合わせることで、AtomMemは、メモリの振る舞いをオーケストレーションする自律的なタスク整合ポリシーを学ぶ。 3つの長期コンテキストベンチマークの実験結果から、トレーニング済みのAtomMem-8Bは、従来の静的ワークフローメモリメソッドよりも一貫して優れていたことが示されている。
  論文  参考訳（メタデータ） (2026-01-13T08:22:28Z)
• EverMemOS: A Self-Organizing Memory Operating System for Structured Long-Horizon Reasoning [42.339841548168565]
  大きな言語モデル(LLM)は、長期の対話エージェントとしてますますデプロイされているが、その限られたコンテキストウィンドウは、拡張された相互作用よりもコヒーレントな振舞いを維持するのが困難である。 本稿では,EverMemOSについて紹介する。EverMemOSは,計算メモリにエミュレートされたライフサイクルを実装した自己組織型メモリオペレーティングシステムである。 EverMemOSは、メモリ拡張推論タスク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） (2026-01-05T14:39:43Z)
• 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。