論文の概要: Exploratory and Assimilating Reflection: Reflective Recall Cycle for Long-term Memory

• arxiv url: http://arxiv.org/abs/2607.17879v1
• Date: Mon, 20 Jul 2026 12:30:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.613552
• Title: Exploratory and Assimilating Reflection: Reflective Recall Cycle for Long-term Memory
• Title（参考訳）: 長期記憶のためのリフレクティブリコールサイクル
• Abstract要約: LLMベースの自律エージェントは、ステートレス性と限られたコンテキストウィンドウを克服するために外部メモリを必要とする。 本研究では,探索・近似反射法(EAR)を提案する。
• 参考スコア（独自算出の注目度）: 3.9297698032556596
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: LLM-based autonomous agents require external memory to overcome their statelessness and limited context window for long-term interaction and dynamic knowledge reasoning. However, existing memory retrieval methods often lack adaptability and sample efficiency, and struggle to retrieve the right mixture of memories from heterogeneous stores. We propose Exploratory-Assimilating Reflection (EAR), a framework for high initial retrieval performance and sample-efficient adaptation. EAR combines two mechanisms: Exploratory Reflection, which performs iterative search to bootstrap retrieval and collect useful experiences for each query, and Assimilating Reflection, which replays these experiences from an Experience Buffer to refine a global reranker more efficiently than methods relying only on immediate rewards. Experiments show that EAR improves retrieval by up to 17.9% over the baseline retriever on two long-term dialogue benchmarks. We also show that EAR is highly sample-efficient and robust to noisy feedback.
• Abstract（参考訳）: LLMベースの自律エージェントは、長期的な相互作用と動的知識推論のために、ステートレス性や限られたコンテキストウインドウを克服するために外部メモリを必要とする。 しかし、既存のメモリ検索手法は適応性とサンプル効率に欠けることが多く、不均一なストアから適切な記憶の混合を回収するのに苦労する。 本研究では,探索・近似反射法(EAR)を提案する。 EARは2つのメカニズムを組み合わせる。探索的リフレクション(Exploratory Reflection)は、検索をブートストラップし、クエリ毎に有用なエクスペリエンスを収集する反復的リフレクション(Exploratory Reflection)と、エクスペリエンスバッファからこれらのエクスペリエンスを再生して、即時報酬のみに依存するメソッドよりも効率的にグローバルリランカを洗練するAssimilating Reflection(Assimilating Reflection)だ。 実験の結果、EARは2つの長期対話ベンチマークでベースラインレトリバーよりも最大17.9%検索を改善した。 また、EARはサンプル効率が高く、ノイズの多いフィードバックに対して堅牢であることを示す。

関連論文リスト

• The Retriever Should Remember: Experience-Amortized Reranking for Long-Term Agent Memory [29.20695058395373]
  我々は、以前取得した妥当性スコアを再利用可能な検索エクスペリエンスとして扱う、経験適応型リグレードフレームワークであるEARMを紹介する。 EARMは、スパースクエリ-メモリ関連スコアをオンラインマトリックスに格納し、因果行列の補完を通じて共有構造を学習し、新たに観測されたスコアの小さなセットと推定スコアを組み合わせて、残りの候補を再ランクする。 長期会話記憶の実験では、観察と推定の混合がセマンティック検索よりも解の精度を最大6.62%向上させることが示された。
  論文  参考訳（メタデータ） (2026-08-24T03:42:03Z)
• R^2-Mem: Reflective Experience for Memory Search [25.798601679871425]
  R2-Memは、メモリ検索システムのための反射体験フレームワークである。 オフラインの段階では、Learner-guided Evaluatorは歴史的軌跡の低品質と高品質のステップをスコアする。 オンライン推論では、検索されたエクスペリエンスが将来の検索アクションを誘導し、繰り返しのミスを避ける。
  論文  参考訳（メタデータ） (2026-05-13T13:09:36Z)
• 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)
• RetroAgent: From Solving to Evolving via Retrospective Dual Intrinsic Feedback [54.39884046754265]
  RetroAgentは、エージェントが複雑なインタラクティブ環境をマスターできるオンラインRLフレームワークである。 実験の結果,RetroAgentはSOTA(State-of-the-art)の性能を達成できた。
  論文  参考訳（メタデータ） (2026-03-09T16:23:33Z)
• Thinking Forward and Backward: Multi-Objective Reinforcement Learning for Retrieval-Augmented Reasoning [137.33138614095435]
  Retrieval-augmented Generation (RAG) は、大規模言語モデルにおける幻覚の緩和に有効であることが証明されている。 近年、検索に基づく対話をRAGに組み込んで、リアルタイム検索による反復推論を可能にしている。 提案するBi-RARは,各中間ステップを前方方向と後方方向の両方で共同で評価する,新たな検索拡張推論フレームワークである。
  論文  参考訳（メタデータ） (2025-11-12T08:29:39Z)
• Enhancing Retrieval-Augmented Generation with Two-Stage Retrieval: FlashRank Reranking and Query Expansion [0.0]
  RAGは、大きな言語モデル(LLM)とレトリバーを結合して、外部のエビデンスで生成された応答を接地する。 LLM駆動型クエリ拡張を統合して候補リコールを改善する2段階検索パイプラインを提案する。 FlashRankは、トークン予算の下で最適な証拠のサブセットを動的に選択する高速な限界効用リランカである。
  論文  参考訳（メタデータ） (2025-10-17T15:08:17Z)
• SePer: Measure Retrieval Utility Through The Lens Of Semantic Perplexity Reduction [20.6787276745193]
  本稿では、RAGフレームワーク内の情報ゲインのレンズを通して、検索品質を測定する自動評価手法を提案する。 検索の利便性を,検索後の意味的難易度を低減する程度で定量化する。
  論文  参考訳（メタデータ） (2025-03-03T12:37:34Z)
• Retrieval-Augmented Perception: High-Resolution Image Perception Meets Visual RAG [79.61269381878547]
  マルチモーダル大言語モデル(MLLM)における高分解能画像認識の課題 本稿では,従来の専門的アプローチから脱却し,MLLMの長文能力を高めることにより,最も基本的な考え方を人事知覚に再考する。 本研究では,空間的コンテキストを保ちながら関連する画像作物を抽出・融合する学習自由フレームワークであるRetrieval-Augmented Perception (RAP)を提案する。
  論文  参考訳（メタデータ） (2025-03-03T06:40:21Z)
• Meta-Reflection: A Feedback-Free Reflection Learning Framework [57.14485943991588]
  外部からのフィードバックを伴わずに単一の推論パスのみを必要とするフィードバックフリーリフレクション機構であるメタリフレクションを提案する。 過去のリフレクションを記憶し、取り出す人間の能力によって、メタリフレクションはコードブックに反射的な洞察を統合する。 実世界のシナリオにおけるメタリフレクションの実践性を徹底的に検討し,評価するために,E-Commerce Customer Intent Detectionという産業eコマースベンチマークを導入する。
  論文  参考訳（メタデータ） (2024-12-18T12:20:04Z)
• Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection [74.51523859064802]
  我々は、自己回帰検索拡張生成(Self-RAG)と呼ばれる新しいフレームワークを導入する。 自己RAGは、検索と自己回帰によってLMの品質と事実性を高める。 様々なタスクセットにおいて、最先端のLCMや検索強化モデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-10-17T18:18:32Z)

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。