論文の概要: ConvMemory v3: A Validity Context Layer for Conversational Memory via Target-Conditioned Relation Verification
- arxiv url: http://arxiv.org/abs/2606.26753v1
- Date: Thu, 25 Jun 2026 08:36:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 18:46:32.217675
- Title: ConvMemory v3: A Validity Context Layer for Conversational Memory via Target-Conditioned Relation Verification
- Title（参考訳）: ConvMemory v3:Target-Conditioned Relation Verificationによる会話記憶のための妥当性コンテキスト層
- Abstract要約: 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。
- 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: Conversational memory retrieval optimizes relevance, yet a retrieved memory can be relevant and simultaneously outdated: a later turn updates, corrects, or supersedes it. ConvMemory v3 adds a validity context layer that detects and surfaces this update evidence through target-conditioned relation verification, sitting after the v1/v2 retrieval path. The core mechanism is a dual-evidence gate that conditions a relation judgment on the specific target proposition, scoring a (target, source) pair through the product of a MiniLM slot head and a DeBERTa-v3 slot head and gating it by conservative event/operation evidence. On a synthetic multi-hop validity benchmark the gate reaches 90.12% +/- 1.73 accuracy; through a real-data feedback loop that mines failure patterns but trains on synthetic pairs only, the verifier transfers to Memora role binding with zero target-side labels, reaching 98.8% +/- 0.9 group-all-correct. The deployed layer preserves retrieval by default: a context mode attaches structured validity metadata while keeping the candidate set and rank order fixed, and a query-conditioned demote mode is an explicit opt-in for dense current-state workloads, where it raises current-active H@1 from a never-demote baseline of 45.1% to 95.7% +/- 1.2 while protecting non-superseded memories at 99.4% recall. Six machine-verifiable safety contracts pin the layer's behavior. Multi-hop graph propagation is validated as a mechanism; fully automatic construction of strict prerequisite edges is characterized as a boundary, since strict necessity requires counterfactual world knowledge. This report extends ConvMemory v1 (arXiv:2605.28062) and v2 (arXiv:2606.10842).
- Abstract（参考訳）: 会話型メモリの検索は関連性を最適化するが、検索されたメモリは関連性があり、同時に時代遅れになる。
ConvMemory v3は、v1/v2検索パスの後に座っているターゲット条件付き関係検証を通じて、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を追加する。
コア機構は、特定のターゲット命題に関する関係判断を条件付けし、(ターゲット、ソース)ペアをMiniLMスロットヘッドとDeBERTa-v3スロットヘッドの製品を通してスコア付けし、保守的なイベント/操作証拠によってゲーティングするデュアルエビデンスゲートである。
合成マルチホップ検証ベンチマークでは、ゲートは90.12% +/- 1.73の精度に達し、実際のデータフィードバックループにより、故障パターンをマイニングするが合成ペアのみの列車によって、検証者はターゲット側のラベルがゼロのMemoraロールバインディングに転送され、98.8% +/- 0.9グループ全修正される。
コンテキストモードは、候補セットとランク順を固定しながら構造化された妥当性メタデータをアタッチし、クエリ条件のデモトモードは、高密度の現在のワークロードに対して明示的なオプトインである。
6つの機械で検証可能な安全契約は、レイヤーの振る舞いを固定する。
厳密な前提条件エッジの完全な自動構築は、厳密な必要条件は反現実的な世界知識を必要とするため、境界として特徴づけられる。
本報告では、ConvMemory v1 (arXiv:2605.28062) と v2 (arXiv:2606.10842) を拡張している。
関連論文リスト
- Ground Truth First: A Longitudinal Evaluation Instrument for Agent Memory, and the Tenure Crossover in Memory-Architecture Rankings [0.0]
シードライフスクリプトサンプリング器は、テキストが存在する前に、有効間隔のボラティリティクラスとソースチャネルの事実を出力する。
検証者は、すべての植えられた事実を確認し、質問はスクリプトから機械的にインスタンス化される。
人工的でフィクション化されたコーパスは、私たちが調査したベンチマークから欠落している特徴を埋め込んでいる。
論文 参考訳（メタデータ） (2026-07-24T04:19:45Z) - MemOps: Benchmarking Lifecycle Memory Operations in Long-Horizon Conversations [50.24315431387575]
ライフサイクル操作のシーケンスとして会話メモリを再構成するベンチマークであるMemOpsを紹介する。
MemOpsは、それぞれのメモリイベントをトリガ、ターゲット、スコープ、状態遷移、エビデンスを指定した構造化トレースで表現する。
長いコンテキスト、検索ベース、パラメトリック、マネージドメモリシステムにわたって、MemOpsはファイナ・アンサーの精度のみを隠蔽する障害モードをアンタングルする。
論文 参考訳（メタデータ） (2026-07-14T15:33:44Z) - Memory Depth, Not Memory Access: Selective Parametric Consolidation for Long-Running Language Agents [0.0]
メモリ深度:小さなパラメトリックストアに書き込まれた耐久性のあるゴール条件付き傾向について検討する。
我々は,作業環境がアンロードされている間,検索インデックスが無傷である制御ストレステストであるループドリフトプロトコルを導入する。
選択的凝縮は2つの制御可能な次元(選択とアクティベーション)に分解される。
論文 参考訳（メタデータ） (2026-06-25T09:42:56Z) - MINTEval: Evaluating Memory under Multi-Target Interference in Long-Horizon Agent Systems [69.06764269022925]
本研究では,現在の記憶増強剤が現実的,干渉重大,長期的設定において果たす役割について検討する。
MINTEvalは、頻繁に更新される情報を備えた、長く高度に相互接続されたコンテキストを特徴とするベンチマークである。
MINTEvalは128.8kのトークンを平均で1インスタンスあたり1.8Mのトークンに拡張し、15.6kの質問応答ペアを持つ。
論文 参考訳（メタデータ） (2026-05-18T15:43:35Z) - CAMeR: Keyword-Gated Hybrid Activation for Adaptive Memory Retention in LLM Agents [0.7977229957867867]
大規模言語モデル(LLM)エージェントは、膨大な量の情報を蓄積する。
本稿では,キーワード付きハイブリッドアクティベーションを組み合わせたメモリ保持フレームワークCAMeRを提案する。
CAMeR-Benchでは、CAMeRのキーワードゲートは、高周波と非参照メモリの間の保持ギャップが1.6$times$大きい。
論文 参考訳（メタデータ） (2026-05-15T01:38:30Z) - Human-Inspired Memory Architecture for LLM Agents [0.9507070656654629]
6つの認知機構からなる生体記憶アーキテクチャを提案する。
各メカニズムは、単純メモリ蓄積の特定の障害モードに対処する。
S層スケール(50セッション)では、デダップベースのコンソリデーションにより、好みのリコールが+13.3pp向上する。
論文 参考訳（メタデータ） (2026-05-08T22:52:37Z) - Semantic-Aware Adaptive Visual Memory for Streaming Video Understanding [55.7992006853979]
SAVEMemは、セマンティックな認識をメモリ生成にもたらすフレームワークで、クエリ毎に検索スコープを適応させる。
SAVEMemは、メモリ生成にセマンティックな認識をもたらし、クエリ毎に検索範囲を適応させる、トレーニングフリーのデュアルステージフレームワークである。
論文 参考訳（メタデータ） (2026-05-08T15:40:40Z) - From Unstructured Recall to Schema-Grounded Memory: Reliable AI Memory via Iterative, Schema-Aware Extraction [39.146761527401424]
永続的なAIメモリは、しばしば検索問題に還元される。
本稿では、信頼性の高い外部AIメモリはスキーマ基底のハーネスでなければならないと論じる。
本稿では、メモリの取り込みをオブジェクト検出、フィールド検出、フィールド値抽出に分解する反復型スキーマ対応書き込みパスを提案する。
論文 参考訳（メタデータ） (2026-04-30T14:14:02Z) - WISV: Wireless-Informed Semantic Verification for Distributed Speculative Decoding in Device-Edge LLM Inference [56.297697169678095]
WISV(Wireless-Informed Semantic Verification)は、分散投機的復号化フレームワークである。
WISVは最大60.8%の許容長の増加、37.3%の対話ラウンドの削減、31.4%のエンドツーエンドレイテンシの改善を実現している。
NVIDIA Jetson AGX OrinとA40搭載サーバからなるハードウェアテストベッド上でWISVを検証する。
論文 参考訳（メタデータ） (2026-04-20T01:29:56Z) - 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) - MemMachine: A Ground-Truth-Preserving Memory System for Personalized AI Agents [2.541923091180284]
大規模言語モデル(LLM)エージェントはパーソナライゼーション、事実連続性、長期的推論を維持するために永続記憶を必要とする。
本稿では,短期,長期,プロファイルメモリを統合したオープンソースのメモリシステムであるMemMachineを紹介する。
MemMachineは、コンテキスト化された検索を使用して、周囲のコンテキストにマッチする核を拡大し、関連するエビデンスが複数の対話にまたがる場合のリコールを改善する。
論文 参考訳（メタデータ） (2026-04-06T16:57:06Z) - Evoking User Memory: Personalizing LLM via Recollection-Familiarity Adaptive Retrieval [59.295767860331004]
RF-Memは、親しみやすい不確実性誘導デュアルパスメモリレトリバーである。
それは、人間のようなデュアルプロセス認識をレトリバーに埋め込む。
一定の予算とレイテンシの制約の下で、ワンショット検索とフルコンテキスト推論を一貫して上回る。
論文 参考訳（メタデータ） (2026-03-10T06:31:44Z)
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。