論文の概要: Neuro-Symbolic Meta-Policies for Temporal Knowledge-Graph Memory under Partial Observability

• arxiv url: http://arxiv.org/abs/2607.18368v3
• Date: Tue, 28 Jul 2026 13:21:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 16:37:20.835194
• Title: Neuro-Symbolic Meta-Policies for Temporal Knowledge-Graph Memory under Partial Observability
• Title（参考訳）: 部分可観測下における時間的知識グラフ記憶のためのニューロシンボリックメタポリシ
• Abstract要約: 本稿では,各決定点にどのシンボリックメモリを適用すべきかを学習する,ニューロシンボリックメタポリシーを導入する。 長期記憶容量512の列車/テスト室では、等化器対応のStarE-GNN構成が最高のホールドアウト性能を達成する。
• 参考スコア（独自算出の注目度）: 7.817226329977399
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Partially observable reinforcement learning requires deciding what to retain, retrieve, and forget over time. We introduce a neuro-symbolic meta-policy that learns which symbolic memory heuristic to apply at each decision point while keeping execution symbolic. Our setting uses temporal knowledge-graph memory in RoomKG, where hidden state and observations are represented as Resource Description Framework (RDF) graphs and memory is augmented with temporal RDF triple annotations. The model combines knowledge-graph encoding of memory contents with value heads for question answering, exploration, and forgetting, yielding a controller that is both adaptive and inspectable. This gives the work a direct Semantic Web grounding through RDF-based representation, annotation-compatible graph semantics, and graph-based symbolic operations over explicit memory state. On train/test room splits at long-term memory capacity of 512, the qualifier-aware StarE-GNN configuration achieves the best held-out performance among the compared symbolic, neural, and neuro-symbolic systems while preserving step-level traceability of memory-management decisions.
• Abstract（参考訳）: 部分的に観察可能な強化学習では、時間の経過とともに何を保持し、回収し、忘れるべきかを判断する必要がある。 本稿では,実行の象徴性を維持しつつ,各決定点にどの象徴的記憶を適用すべきかを学習する,ニューロシンボリックなメタポリシーを導入する。 我々の設定では、RoomKGの時間的知識グラフメモリを使用し、隠れ状態と観測をResource Description Framework(RDF)グラフとして表現し、メモリを時間的RDFトリプルアノテーションで拡張する。 このモデルは、記憶内容の知識グラフエンコーディングと質問応答、探索、忘れのための値ヘッドを組み合わせることで、適応性と検査可能なコントローラを生成する。 これによって、RDFベースの表現、アノテーション互換のグラフセマンティクス、明示的なメモリ状態に対するグラフベースのシンボリック操作を通じて、直接セマンティックWebを基盤とする作業が可能になる。 長期記憶容量512の列車/テスト室分割では、メモリ管理決定のステップレベルトレーサビリティを保ちながら、比較シンボル、ニューラル、ニューロシンボリックシステムの中で、修飾器対応のStarE-GNN構成が最高のホールドアウト性能を達成する。

関連論文リスト

• Memory is Reconstructed, Not Retrieved: Graph Memory for LLM Agents [51.30250860677378]
  本稿では,連想記憶グラフとアクティブな再構成機構を組み合わせたフレームワークであるMRAgentを提案する。 Cue-Tag-Contentグラフ上で実行することで,メモリアクセスに直接推論を統合する。 LoCoMoベンチマークとLongMemEvalベンチマークの実験は、強いベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2026-06-04T11:29:46Z)
• Short-Term-to-Long-Term Memory Transfer for Knowledge Graphs under Partial Observability [7.817226329977399]
  時間的知識グラフメモリ設定における転送過程について検討する。 観察された各トリプルに対して、エージェントは長期挿入前にそれを保持またはドロップするかを選択する。 長期記憶容量128のRoomKGベンチマークでは、シンボリックおよびニューラルベースラインよりも優れた転送決定を学習した。
  論文  参考訳（メタデータ） (2026-05-21T08:14:36Z)
• MemGym: a Long-Horizon Memory Environment for LLM Agents [69.79226770543049]
  本稿では,エージェントメモリのベンチマークであるMemGymを紹介する。 MemGymは、メモリパフォーマンスを推論、検索、ツール使用能力から切り離すメモリアイソレーションスコアを報告している。 MEMGYM-CODEQAとMEMGYM-DRの合成パイプラインは、長さ制御可能であり、各ステージでアブレーションを検証可能であり、下流のシナリオと密に整合している。
  論文  参考訳（メタデータ） (2026-05-20T07:25:33Z)
• NeuSymMS: A Hybrid Neuro-Symbolic Memory System for Persistent, Self-Curating LLM Agents [0.0]
  NeuSymMSは、大規模な言語モデル(LLM)エージェントがセッション間でユーザについて学び、記憶し、推論することを可能にする。 システムは、知識を関係データベース管理システムに格納された主観的関係値のトリプルとして表現する。
  論文  参考訳（メタデータ） (2026-05-17T18:48:19Z)
• SAGE: A Self-Evolving Agentic Graph-Memory Engine for Structure-Aware Associative Memory [40.68349164818526]
  本稿では,グラフメモリを動的長期記憶基板としてモデル化する自己進化型エージェントグラフメモリエンジンであるSAGEを紹介する。 SAGEには2つの役割がある: 相互作用履歴から構造化されたグラフメモリを漸進的に構成するメモリライタと、検索とメモリライタへのフィードバックを提供するGraph Foundation Modelベースのメモリリーダである。
  論文  参考訳（メタデータ） (2026-05-12T12:47:43Z)
• 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)
• Graph-based Agent Memory: Taxonomy, Techniques, and Applications [63.70340159016138]
  メモリはLarge Language Model(LLM)ベースのエージェントの中核モジュールとして出現する。 さまざまなパラダイムの中でグラフは、関係依存をモデル化する本質的な能力のため、エージェントメモリの強力な構造として際立っている。 本調査では, エージェントメモリの総合的な検討について, グラフベースの観点から述べる。
  論文  参考訳（メタデータ） (2026-02-05T13:49:05Z)
• Aeon: High-Performance Neuro-Symbolic Memory Management for Long-Horizon LLM Agents [0.0]
  大規模言語モデル(LLM)は、自己注意の2次計算コストと「中道の失われた」現象によって制約される。 我々は,静的ストアではなく,管理OSリソースとしてメモリを再定義するニューロシンボリック認知オペレーティングシステムであるAeonを提案する。
  論文  参考訳（メタデータ） (2026-01-14T15:23:22Z)
• Memory Matters More: Event-Centric Memory as a Logic Map for Agent Searching and Reasoning [55.251697395358285]
  大規模言語モデル(LLM)は、環境を推論し、計画し、相互作用するインテリジェントエージェントとして、ますます多くデプロイされている。 長期のシナリオに効果的にスケールするには、そのようなエージェントの重要な機能は、過去の経験を保持し、整理し、取り出すことができるメモリメカニズムである。 イベント理論にインスパイアされたイベント中心のメモリフレームワークであるCompassMemを提案する。
  論文  参考訳（メタデータ） (2026-01-08T08:44:07Z)
• Topology-aware Embedding Memory for Continual Learning on Expanding Networks [63.35819388164267]
  本稿では,メモリリプレイ技術を用いて,メモリ爆発問題に対処する枠組みを提案する。 Topology-aware Embedding Memory (TEM) を用いたPDGNNは最先端技術よりも優れている。
  論文  参考訳（メタデータ） (2024-01-24T03:03:17Z)
• Kanerva++: extending The Kanerva Machine with differentiable, locally block allocated latent memory [75.65949969000596]
  エピソディックメモリとセマンティックメモリは、人間のメモリモデルの重要なコンポーネントです。 我々は、エピソードメモリとセマンティックメモリのギャップを埋める新しい原理ベイズメモリ割り当てスキームを開発しました。 この割り当て方式がメモリ条件画像生成の性能を向上させることを実証する。
  論文  参考訳（メタデータ） (2021-02-20T18:40:40Z)
• Neural Storage: A New Paradigm of Elastic Memory [4.307341575886927]
  コンピュータメモリ内のデータの保存と検索は、システム性能において大きな役割を果たす。 我々は、脳にインスパイアされた学習記憶パラダイムであるNeural Storage(NS)を導入し、メモリをフレキシブルなニューラルメモリネットワークとして構成する。 NSは2つの代表アプリケーションに対してメモリアクセス性能を大幅に改善する。
  論文  参考訳（メタデータ） (2021-01-07T19:19:25Z)

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。