論文の概要: SmartRAG: Native Graph-Based RAG for Mobile Device

• arxiv url: http://arxiv.org/abs/2607.14661v2
• Date: Sat, 18 Jul 2026 07:39:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 14:24:57.623498
• Title: SmartRAG: Native Graph-Based RAG for Mobile Device
• Title（参考訳）: SmartRAG: モバイルデバイス用のネイティブグラフベースのRAG
• Abstract要約: SmartRAGは、完全なオンデバイスフレームワークで、4つの調整されたモジュール(知覚、メモリ、フォーカス、思考)を中心にインテリジェントアシスタントを編成します。 SmartRAGの中核となるのはEvoNERだ。EvoNERは継続的に学習可能な名前付き認識装置で、教師が蒸留したアップデートによってラベルの在庫を徐々に拡大する。
• 参考スコア（独自算出の注目度）: 17.46306385105188
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deploying large language models (LLMs) as personal assistants on mobile devices demands privacy, low latency, and offline availability, yet the computational cost of giant models clashes with strict edge-hardware budgets. We argue that this tension cannot be resolved by model compression alone; it requires decomposing on-device intelligence into complementary functional roles. We present SmartRAG, a fully on-device framework that organizes an intelligent assistant around four coordinated modules -- Perception, Memory, Focus, and Thinking. At the core of SmartRAG is EvoNER, a continually learnable named-entity recognizer that incrementally expands its label inventory through teacher-distilled updates, enabling the system to absorb previously unseen entity types without retraining the backbone LLM. Extracted knowledge is stored in MRGraph, a three-layer provenance-preserving knowledge graph, and retrieved at query time through a hybrid pipeline combining graph traversal, lexical matching, and dense semantic search. The on-device LLM is invoked only for high-value semantic operations -- labeling, planning, and answer synthesis -- keeping inference costs bounded. Experiments on four QA benchmarks (TriviaQA, Natural Questions, HotpotQA, MultiHopQA) show that SmartRAG with a quantized 1.7B-parameter backbone achieves multi-hop reasoning performance competitive with models up to 18$\times$ larger, while running entirely on commodity smartphones within practical memory and latency envelopes.
• Abstract（参考訳）: モバイルデバイスにパーソナルアシスタントとして大きな言語モデル(LLM)をデプロイするには、プライバシ、低レイテンシ、オフライン可用性が必要だが、巨大なモデルの計算コストは、厳しいエッジハードウェア予算と衝突する。 我々は、この緊張はモデル圧縮だけでは解決できないと主張しており、デバイス上のインテリジェンスを補完的な機能的役割に分解する必要がある。 SmartRAGは、完全なオンデバイスフレームワークで、4つの調整されたモジュール(知覚、メモリ、フォーカス、思考)を中心にインテリジェントアシスタントを編成します。 SmartRAGのコアとなるEvoNERは、継続的な学習が可能な名前付き認識器で、教師が蒸留した更新によってラベルのインベントリを漸進的に拡張し、バックボーンLLMをリトレーニングすることなく、これまで目に見えないエンティティタイプを吸収することができる。 抽出された知識は3階層の証明保存知識グラフであるMRGraphに格納され、グラフトラバーサル、語彙マッチング、および密セマンティックサーチを組み合わせたハイブリッドパイプラインを介してクエリ時に検索される。 オンデバイス LLM は,高価値なセマンティック操作 – ラベル付け,計画,回答合成 – に対してのみ起動される。 4つのQAベンチマーク(TriviaQA、Natural Questions、HotpotQA、MultiHopQA)での実験では、量子化された1.7Bパラメータのバックボーンを持つSmartRAGは、18$\times$以上のモデルと競合するマルチホップ推論性能を実現し、実用的なメモリと遅延エンベロープ内でコモディティスマートフォンで完全に動作している。

関連論文リスト

• Dual-Grained Agent Memory and Shapley Context Attribution for Multimodal Agentic Learner [55.80248281761638]
  マルチモーダルな大言語モデル (MLLM) は、科学的および数学的推論において、印象的な認識を提供する。 本稿では,DG-Memを提案する。DG-Memは,トレーニングタイムのロールアウトから一度構築した外部記憶メモリと,テスト時に読み取り専用に相談することで,凍結したMLLMを拡張可能なエージェントメモリフレームワークである。
  論文  参考訳（メタデータ） (2026-08-24T13:56:01Z)
• MobilePA-Bench: Benchmarking Mobile Planner Agents on Complex Real-World Tasks [37.73689537216401]
  モバイルプランニングエージェントのツールコールと計画能力を評価するための,インタラクティブでステートフルでツール中心のベンチマークである textbfMobilePA-Bench を提案する。 MobilePA-Benchは、ライブアプリケーションデータベースを保持し、構造化されたフィードバックを返す実行可能なサンドボックスで動作し、13ドルの機能ドメインと212ドルのリアルなモバイルツールにまたがる。 対話型関数呼び出しサンドボックスとエビデンスベースの検証を組み合わせることで、MobilePA-Benchは実用的な診断ベンチマークとエージェント強化学習のための対話型基盤の両方として機能する。
  論文  参考訳（メタデータ） (2026-08-24T09:38:24Z)
• Executable Agentic Memory for GUI Agent [14.354806365195854]
  構造化知識グラフ(KG)であるExecutable Agentic Memory(EAM)を提案する。 EAMはGUIプランニングをフリーフォーム生成から堅牢な検索・実行プロセスに移行する。 平均レイテンシが2.8ドルで、EAMは信頼性、迅速、長期のGUI自動化を可能にする。
  論文  参考訳（メタデータ） (2026-05-12T15:48:44Z)
• D-Mem: A Dual-Process Memory System for LLM Agents [3.5426740232689604]
  本稿では,デュアルプロセスメモリシステムD-Memを紹介する。 ルーチンクエリに対する軽量なベクトル検索を維持しながら、フルリベレーションモジュールを高忠実度フォールバックとして確立している。 GPT-4o-miniとQwen3-235B-Instructを用いたLoCoMoとRealTalkのベンチマーク実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2026-03-19T08:55:22Z)
• PlugMem: A Task-Agnostic Plugin Memory Module for LLM Agents [74.4491017652226]
  タスク固有の再設計なしに任意のLLMエージェントにアタッチ可能なタスク非依存メモリモジュールであるPlugMemを提案する。 意思決定関連情報が生の経験よりも抽象的な知識として集中しているという事実に感銘されて、認識科学に焦点をあてて、エピソード記憶をコンパクトで知識中心の記憶グラフに構造化する。 PlugMemを3つのベンチマーク(長期会話型質問応答、マルチホップ知識検索、Webエージェントタスク)で評価する。
  論文  参考訳（メタデータ） (2026-02-06T18:55:38Z)
• AMA: Adaptive Memory via Multi-Agent Collaboration [54.490349689939166]
  複数の粒度にまたがるメモリ管理に協調エージェントを活用する新しいフレームワークであるAMA(Adaptive Memory via Multi-Agent Collaboration)を提案する。 AMAは、ステート・オブ・ザ・アートのベースラインを著しく上回り、トークンの消費をフルコンテキストの手法と比べて約80%削減する。
  論文  参考訳（メタデータ） (2026-01-28T08:09:49Z)
• MARAG-R1: Beyond Single Retriever via Reinforcement-Learned Multi-Tool Agentic Retrieval [50.30107119622642]
  大規模言語モデル(LLM)は推論と生成において優れているが、本質的には静的事前学習データによって制限されている。 Retrieval-Augmented Generation (RAG)は、LLMを外部知識に基盤を置くことでこの問題に対処する。 MarAG-R1は、LLMが複数の検索機構を動的に調整できる強化学習型マルチツールRAGフレームワークである。
  論文  参考訳（メタデータ） (2025-10-31T15:51:39Z)
• MEM1: Learning to Synergize Memory and Reasoning for Efficient Long-Horizon Agents [84.62985963113245]
  我々は,長時間のマルチターンタスクに対して,エージェントが一定のメモリで動作可能な,エンドツーエンドの強化学習フレームワークMEM1を紹介する。 各ターンでMEM1は、メモリ統合と推論を共同でサポートするコンパクトな共有内部状態を更新する。 その結果,MEM1-7Bは16目的のマルチホップQAタスクにおいて,Qwen2.5-14B-Instructと比較してメモリ使用量を3.7倍削減し,3.5倍の性能向上を示す。
  論文  参考訳（メタデータ） (2025-06-18T19:44:46Z)
• G-Memory: Tracing Hierarchical Memory for Multi-Agent Systems [44.844636264484905]
  大規模言語モデル (LLM) を利用したマルチエージェントシステム (MAS) は、単一のLLMエージェントよりもはるかに高い認知と実行能力を示している。 組織記憶理論に触発されたMASのための階層型エージェントメモリシステムG-Memoryを紹介する。 Gメモリは、インボディードアクションの成功率と知識QAの精度を、それぞれ20.89%$と10.12%$で改善する。
  論文  参考訳（メタデータ） (2025-06-09T03:43:46Z)
• Pangu Embedded: An Efficient Dual-system LLM Reasoner with Metacognition [95.54406667705999]
  Pangu Embeddedは、Ascend Neural Processing Units (NPU) 上で開発された効率的なLarge Language Model (LLM) 推論器である。 既存の推論最適化 LLM でよく見られる計算コストと推論遅延の問題に対処する。 単一の統一モデルアーキテクチャ内で、迅速な応答と最先端の推論品質を提供する。
  論文  参考訳（メタデータ） (2025-05-28T14:03:02Z)
• From RAG to Memory: Non-Parametric Continual Learning for Large Language Models [6.380729797938521]
  検索強化世代(RAG)は、新しい情報を導入する主要な方法となっている。 最近のRAGは、知識グラフのような様々な構造を持つベクトル埋め込みを拡大して、いくつかのギャップ、すなわちセンスメイキングと連想性に対処している。 我々は,現実的,感覚的,連想的なメモリタスクにおいて,標準RAGを総合的に上回るフレームワークであるHippoRAG 2を提案する。
  論文  参考訳（メタデータ） (2025-02-20T18:26:02Z)

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。