論文の概要: Temporal Validity in Retrieval Memory: Eliminating Stale-Fact Errors for AI Agents over Evolving Knowledge

• arxiv url: http://arxiv.org/abs/2606.26511v1
• Date: Thu, 25 Jun 2026 01:31:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.138705
• Title: Temporal Validity in Retrieval Memory: Eliminating Stale-Fact Errors for AI Agents over Evolving Knowledge
• Title（参考訳）: 検索記憶における時間的妥当性:進化する知識に対するAIエージェントの静的エラーの除去
• Abstract要約: Retrieval-augmented generationは、エージェントに蓄積した知識へのアクセスを与えるが、時間のモデルを持たない。 本稿では,時間的妥当性を維持する検索メモリMemStrataを提案する。 6つのベンチマークは7Bモデルでローカルに実行され、MemStrataはRAGを静的知識で結び、進化する知識で0.95-1.00の精度に達する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrieval-augmented generation (RAG) gives agents access to accumulated knowledge, but has no model of time. When a fact changes (e.g., a function is renamed or API restructured), RAG retrieves both the stale and current value with near-identical embedding similarity. The agent then either abstains or serves the superseded fact. We show this is a structural problem: on a calibrated dataset, cosine similarity distinguishes a contradicted fact from a duplicated one with AUROC 0.59 (near chance), as contradictions are often more embedding-similar to the original than rephrased duplicates. We present MemStrata, a retrieval memory maintaining temporal validity. It stores facts like RAG, preserving static recall, but when a fact's value is contradicted, a deterministic (subject, relation, object) supersession rule retires the stale value in a bi-temporal ledger - with no similarity threshold and no LLM call. Across six benchmarks run locally with a 7B model, MemStrata ties RAG on static knowledge and reaches 0.95-1.00 accuracy on evolving knowledge (where RAG reaches 0.20-0.47). The central result is the stale-fact-error rate: when required to answer, RAG serves superseded values 15-40% of the time; MemStrata drives this to ~0%, a failure class RAG cannot avoid. MemStrata achieves this at retrieval latency (~2.1s) versus ~16-18s for LLM-reranking baselines. We release the harness, datasets, and a marker-free evaluation protocol for memory under knowledge evolution.
• Abstract（参考訳）: Retrieval-augmented Generation (RAG) は、エージェントに蓄積した知識へのアクセスを与えるが、時間モデルを持たない。 事実が変更された場合(例えば、関数が名前を変えられたり、APIが再構成された場合)、RAGは、ほぼ同一の埋め込み類似性で、古い値と現在の値の両方を取得する。 その後、エージェントは棄権するか、偽装された事実を処理します。 校正されたデータセットでは、コサイン類似性は矛盾した事実と AUROC 0.59 の重複した事実を区別する(偶然に)。 本稿では,時間的妥当性を維持する検索メモリMemStrataを提案する。 RAGのようなファクトを格納し、静的リコールを保存するが、ファクト値が矛盾すると、決定論的(オブジェクト、リレーショナル、オブジェクト)のスーパーセッションルールは、類似性しきい値がなく、LLM呼び出しもない、両時間台帳で古い値をリタイアする。 6つのベンチマークは7Bモデルでローカルに実行され、MemStrataはRAGを静的知識で結び、進化する知識(RAGが0.20-0.47に達する)で0.95-1.00に達する。 答えが必要な場合、RAGは過大評価された値の15～40%を提供し、MemStrataはこれを約0%まで駆動するが、RAGは避けられない。 MemStrata は LLM の基準ラインに対して ~16-18s に対して、検索レイテンシ (~2.1s) でこれを実現する。 我々は、知識進化下でのメモリのためのハーネス、データセット、マーカーフリー評価プロトコルをリリースする。

関連論文リスト

• ReDraft, Don't Just Distill: Reference-Driven Revision for Continual VLLM Post-Training [66.72708893922605]
  大規模なマルチモーダルモデルのポストトレーニングは、事前トレーニングから保護しながら、新しい機能を追加する必要がある。 SFTは、タスクをほぼゼロの精度から学習する明確なターゲット監視を提供するが、そのオフポリティックターゲットはモデルを十分に移動させ、忘れる原因となる。 モデル自身の失敗から両方を得るReDraftを紹介します。
  論文  参考訳（メタデータ） (2026-09-15T04:59:03Z)
• The Immutable Past: Formalizing State Mutability and Conflict Resolution in Mutable RAG [0.0]
  本稿では,高密度検索がAsymptotic Recall Decayに苦しむことを証明するために,状態変化のメカニズムを定式化する。 これを解決するために,厳密な推論時間一貫性プロトコルであるGC-Memを導入する。
  論文  参考訳（メタデータ） (2026-09-13T15:28:07Z)
• Temporal Validity on Real Software Histories: Eliminating Stale-Fact Errors in Code-Assistant Memory over GitHub Fixes [0.0]
  Retrieval-augmented Generation (RAG) には時間モデルがない。 RAGは、古い値と新しい値の両方をほぼ同一の類似性で検索し、どの値が現在であるかを判断できないため、過渡値として機能する。 MemStrata は RAG の 0.57-0.59 に対して 0.91 の解答精度に達し、RAG の解答を強制すると36-38% の値となる。
  論文  参考訳（メタデータ） (2026-08-21T02:48:36Z)
• MicroVerse: An Instrument for Measuring Self-Authored Identity Drift in Long-Horizon Multi-Agent Language-Model Simulations [47.771518253102975]
  MicroVerseは、生成エージェントのアイデンティティドリフトを測定する行動科学機器である。 エージェントは不変の"ソウルファイル"(コア値、モラル境界、パーソナリティ、目標)を持ち、50 x 50の環境に生息する。 反自己偽装は、アイデンティティー修飾の単一の最大の意味圏として現れない。
  論文  参考訳（メタデータ） (2026-08-16T16:31:42Z)
• Forensic Trajectory Signatures for Agent Memory Poisoning Detection [0.0]
  攻撃が成功するには、email_send_emailの前にMemory_recall_factを呼び出す必要がある。 この不変量のみを利用する単純な規則は AUC = 0.9563 となる。 厳密にプレフィックスのみの変種は AUC = 0.934 を達成し、リアルタイムブロッキングは適度な劣化で実現可能であることを示唆している。
  論文  参考訳（メタデータ） (2026-06-29T17:09:03Z)
• ConvMemory v3: A Validity Context Layer for Conversational Memory via Target-Conditioned Relation Verification [0.0]
  ConvMemory v3では、この更新エビデンスを検出し、サーフェスする妥当性コンテキスト層が追加されている。 コアメカニズムは、特定のターゲット命題に関する関係判断を条件とする二重証拠ゲートである。 合成マルチホップ検証ベンチマークでは、ゲートの精度は90.12% +/- 1.73である。
  論文  参考訳（メタデータ） (2026-06-25T08:36:43Z)
• When Agents Commit Too Soon: Diagnosing Premature Commitment in LLM Agents [0.0]
  長い答えのLSMエージェントは静かに失敗する可能性があり、彼らは証拠を早期に読み上げ、残りの期間をその証拠を守るのに費やした。 我々は、表現的コミットメントを、固定された推論ステップにおいて、クロスランな隠れ状態収束として定義する。 ランタイムモニタは、AUROCの隠れ状態から0.97までの不整合軌道を検出する(より厳密なスプリットの下で0.85-0.88)。
  論文  参考訳（メタデータ） (2026-06-22T07:13:13Z)
• Learning What to Remember: A Cognitively Grounded Multi-Factor Value Model for Agentic Memory [1.2127875744950842]
  LLMエージェントは、どのコンテキストウィンドウよりもはるかに大きなインタラクション履歴を蓄積する。 生産システムは意味的類似性や傾向に答える。 本研究では、7つの解釈可能な因子に対する多要素記憶関数 V(m)=sum_i w_i f_i(m) を提案する。
  論文  参考訳（メタデータ） (2026-06-11T06:17:31Z)
• Belief Memory: Agent Memory Under Partial Observability [56.41506249481312]
  本稿では,メモリパラダイムを観測毎に1つの結論にシフトし,その確率で複数の結論を導出するBeliefMemを提案する。 BeliefMemは決定論的パラダイムが破棄されるという不確実性を保ち、エージェントが高い信頼を持って行動することを可能にする。 LoCoMoとALFWorldベンチマークの実証的な評価は、限られたデータであっても、BeliefMemが最高の平均パフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2026-05-07T02:03:13Z)
• Self-Aware Vector Embeddings for Retrieval-Augmented Generation: A Neuroscience-Inspired Framework for Temporal, Confidence-Weighted, and Relational Knowledge [0.0]
  現代の検索拡張生成(RAG)システムは、ベクトル埋め込みを静的で文脈に依存しないアーティファクトとして扱う。 このフレームワークは,3つの明示的な特性 – 時間的認識,信頼の低下,関係的認識 – で密着な埋め込みを強化するものだ。
  論文  参考訳（メタデータ） (2026-04-22T14:13:50Z)
• Time is Not a Label: Continuous Phase Rotation for Temporal Knowledge Graphs and Agentic Memory [22.19616466232313]
  RoMemは構造化メモリシステムのためのドロップイン時間知識グラフモジュールである。 データから、進化する関係は高速に回転し、永続的な関係は安定していなければならない、と学習する。 時間的知識グラフの補完について、RoMemはICEWS05-15で最先端の結果を達成する。
  論文  参考訳（メタデータ） (2026-04-13T14:35:47Z)
• ImplicitMemBench: Measuring Unconscious Behavioral Adaptation in Large Language Models [60.14219417402433]
  LLMエージェントの既存のメモリベンチマークは、事実の明示的なリコールを評価するが、意識的な検索なしに、経験が自動的な振る舞いになる暗黙の記憶を見落としている。 IndicitMemBenchは、非宣言的メモリの標準的な認知科学のアカウントから引き出された3つの構造を通して暗黙的メモリを評価する最初の体系的なベンチマークである。 当社の300イテムスイートでは,初動採点を備えたLearning/Priming-Interfere-Testプロトコルを統一しています。
  論文  参考訳（メタデータ） (2026-04-09T10:26:32Z)
• Memory-T1: Reinforcement Learning for Temporal Reasoning in Multi-session Agents [80.33280979339123]
  強化学習(RL)を用いた時間認識メモリ選択ポリシーを学習するフレームワークであるMemory-T1を紹介する。 Time-Dialogベンチマークでは、Memory-T1が7Bモデルを67.0%に引き上げ、オープンソースモデルの新たな最先端パフォーマンスを確立した。
  論文  参考訳（メタデータ） (2025-12-23T06:37:29Z)
• TARG: Training-Free Adaptive Retrieval Gating for Efficient RAG [46.122203287541005]
  トレーニングフリーのAdaptive Retrieval Gating (TARG) は、ベースモデルからの短い非遅延ドラフトのみを使用していつ取得するかを決定する、単発のポリシーである。 NQ-Open、TriviaQA、PopQAでは、TARGは一貫して精度と効率のフロンティアをシフトさせる。
  論文  参考訳（メタデータ） (2025-11-12T23:09:52Z)
• REBAR: Retrieval-Based Reconstruction for Time-series Contrastive Learning [64.08293076551601]
  正の対を識別する学習尺度を新たに提案する。 検索ベースレコンストラクションは2つのシーケンス間の類似度を測定する。 本稿では,REBAR誤差が相互クラスメンバシップの予測因子であることを示す。
  論文  参考訳（メタデータ） (2023-11-01T13:44:45Z)

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。