論文の概要: Mi-Memory: A Lifecycle Memory Framework for Personal AI
- arxiv url: http://arxiv.org/abs/2607.18975v1
- Date: Tue, 21 Jul 2026 11:10:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.399762
- Title: Mi-Memory: A Lifecycle Memory Framework for Personal AI
- Title（参考訳）: Mi-Memory: パーソナルAIのためのライフサイクルメモリフレームワーク
- Abstract要約: MiMemoryはPersonal AIのためのライフサイクルメモリフレームワークである。
構造、拡張、進化、展開の4つの役割を中心に組織されている。
これはPersonal AIのための監査可能、エビデンス対応、デプロイメント対応のメモリシステムへのステップである。
- 参考スコア（独自算出の注目度）: 36.61994944719374
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Personal AI is moving beyond chat-only interaction toward continuous services that span phones, cars, homes, wearables, cameras, and tools. In this setting, memory cannot remain a cache of prior conversations. It should serve as a continuity and governance substrate: preserving durable user state, grounding answers in multimodal and device evidence, supporting correction and forgetting, bounding policy evolution, and remaining deployable under latency, cost, privacy, and edge-cloud constraints. This technical report presents Mi-Memory, a lifecycle memory framework for Personal AI organized around four roles: Structure, Expansion, Evolution, and Deployment. A shared audit contract links these roles through four recurring artifact families: typed evidence payloads preserve source identity and provenance, diagnostic traces localize evidence loss across the serving pipeline, strategy artifacts make memory-policy changes explicit, and gate/rollback records bound accepted evolution. MiMemory instantiates the roles through MemStack, MemSense/MemFuse, D$^{2}$ACCI/E$^{2}$MEND, and LiteMem. In controlled-reference Structure evaluations, MemStack reaches 93.59%, 57.24%, and 87.47% on LoCoMo, PersonaMem-V2, and LongMemEval, respectively; other tracks report module-level, preliminary/internal, transfer-feasibility, or design-only evidence with explicit boundaries. MiMemory is a step toward auditable, evidence-gated, and deployment-aware memory systems for Personal AI. Project homepage: https://darwin-agent.github.io/Mi-Memory/ .
- Abstract（参考訳）: パーソナルAIは、チャットのみのインタラクションを超えて、電話、車、家、ウェアラブル、カメラ、ツールにまたがる継続的サービスへと移行している。
この設定では、メモリは以前の会話のキャッシュに留まることはできない。
耐久性のあるユーザ状態の保存、マルチモーダルおよびデバイスエビデンスへの回答の根拠、修正と忘れ、ポリシーの進化のサポート、レイテンシ、コスト、プライバシ、エッジクラウドの制約下でのデプロイの継続。
このテクニカルレポートでは、構造化、拡張、進化、デプロイメントという4つの役割を中心に組織された、パーソナルAIのためのライフサイクルメモリフレームワークであるMi-Memoryが紹介されている。
型付きエビデンスペイロードはソースの識別と証明を保存し、診断トレースはサービスパイプライン全体のエビデンス損失をローカライズする。
MiMemoryは、MemStack、MemSense/MemFuse、D$^{2}$ACCI/E$^{2}$MEND、LiteMemを通じてロールをインスタンス化する。
制御参照構造の評価では、MemStackはLoCoMo、PersonaMem-V2、LongMemEvalで93.59%、57.24%、87.47%に達した。
MiMemoryはPersonal AIのための監査可能、エビデンス対応、デプロイメント対応のメモリシステムへのステップである。
プロジェクトホームページ:https://darwin-agent.github.io/Mi-Memory/。
関連論文リスト
- Memory as a Controlled Process: Learned Adaptive Memory Management for LLM Agents [72.3752981234916]
大きな言語モデル(LLM)エージェントは、タスク間の経験を蓄積するために、外部メモリシステムに依存している。
メモリ操作をマルコフ決定プロセスとしてモデル化するフレームワークである制御プロセス(MemCon)としてメモリを提示する。
MemConは、複数のメモリベースラインのタスク成功率を最大15.2ポイント上回り、トークン消費量を5-20%削減している。
論文 参考訳（メタデータ） (2026-07-15T08:32:40Z) - WorldMemArena: Evaluating Multimodal Agent Memory Through Action-World Interaction [72.1620416874118]
マルチモーダルな言語モデルは、長距離エージェントとしてますます多くデプロイされている。
既存のベンチマークは、静的対話上のリコールを測定し、メモリを1つのタスクの精度に分解し、キャプションに対する視覚的な観察を減らす。
マルチモーダルエージェントメモリを,観測可能な4段階ライフサイクルを持つアクションワールドインタラクションループとして定式化する。
論文 参考訳（メタデータ） (2026-05-28T04:27:20Z) - Is Agent Memory a Database? Rethinking Data Foundations for Long-Term AI Agent Memory [3.263386002412657]
長時間稼働するAIエージェントは永続的なメモリを必要とする。
現在のエージェントメモリシステムとデータベースパラダイムはメモリを記憶として扱う。
私たちのビジョンでは、長期エージェントメモリは新しいデータ管理ワークロードです。
論文 参考訳（メタデータ） (2026-05-25T18:22:42Z) - From Facts to Insights: A Persona-Driven Dual Memory Framework and Dataset for Role-Playing Agents [50.66268133366637]
現在のシステムはペルソナに依存しない要約に依存しており、ペルソナ固有の解釈なしで事実を記録する。
RoleMemoは4つの推論タスクを備えたデータセットで、実際の断片をペルソナを通して解釈して正しい回答を得る必要がある。
本稿では,記憶を2つのストリームに分解するDualMemを提案する。
論文 参考訳（メタデータ） (2026-05-25T10:48:24Z) - 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) - 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) - Mem-W: Latent Memory-Native GUI Agents [50.87647372904382]
本稿では,メモリをエージェントの連続的コンテキストの一部として扱う,潜在メモリネイティブなGUIエージェントであるMem-Wを紹介する。
4つのWebおよびモバイルナビゲーションベンチマークで、Mem-Wはさまざまなバックボーンとメモリ拡張ベースラインを一貫して改善している。
論文 参考訳（メタデータ） (2026-05-10T04:31:23Z) - EverMemOS: A Self-Organizing Memory Operating System for Structured Long-Horizon Reasoning [42.339841548168565]
大きな言語モデル(LLM)は、長期の対話エージェントとしてますますデプロイされているが、その限られたコンテキストウィンドウは、拡張された相互作用よりもコヒーレントな振舞いを維持するのが困難である。
本稿では,EverMemOSについて紹介する。EverMemOSは,計算メモリにエミュレートされたライフサイクルを実装した自己組織型メモリオペレーティングシステムである。
EverMemOSは、メモリ拡張推論タスクで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-01-05T14:39:43Z)
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。