論文の概要: Profile-Graph Memory for LLM Agents: Implicit Cross-Entity Traversal through Narrative Profiles

• arxiv url: http://arxiv.org/abs/2607.19359v1
• Date: Mon, 01 Jun 2026 09:48:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.130447
• Title: Profile-Graph Memory for LLM Agents: Implicit Cross-Entity Traversal through Narrative Profiles
• Title（参考訳）: LLMエージェントのプロファイラグラフメモリ:ナラティブプロファイルによるクロスエンティティトラバーサルのインプシット
• Abstract要約: MemHopは10のソーシャル・ネットワーク・シナリオにまたがって1000の質問をホップ深度1-5で行うマルチホップ・メモリ・ベンチマークである。 第二に、プロファイル拡張(i)を組み合わせた2層メモリアーキテクチャProGraph(ProGraph)を提案する。 第3に、フルグリッドのアブレーションは、クロスベンチマークのメカニズムを示している。
• 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: Long-term memory is essential for LLM agents that interact across sessions, yet current memory benchmarks primarily evaluate single-hop recall, leaving multi-hop association largely unmeasured. We make three contributions. First, we introduce MemHop, a multi-hop memory benchmark of 1,000 questions at hop depths 1-5 across 10 social-network scenarios, with per-hop evidence annotations. Second, we present Profile-Graph Memory (ProGraph), a two-layer memory architecture combining (i) profile expansion -- substring-matched traversal of entity names that naturally appear in LLM-written profile narratives, a minimal alternative to explicit knowledge-graph construction -- and (ii) compression residuals -- exact dates, quantities, and named items co-extracted with each profile update at zero extra API cost. Third, a full-grid ablation shows cross-benchmark mechanism specialization: profile expansion drives multi-hop reasoning (-22.6pp on MemHop when removed) while compression residuals drive precision recall (-8.6pp on LoCoMo when not co-extracted), with cross-effects under 3pp within a single architecture. ProGraph averages 80.1% on MemHop (matching the FullContext reference) and 78.4% on LoCoMo (exceeding FullContext by 11.3pp), outperforming Mem0, A-Mem, HippoRAG, and RAG on both. We release MemHop, ProGraph, and baseline implementations.
• Abstract（参考訳）: セッション間で相互作用するLLMエージェントには長期記憶が不可欠であるが、現在のメモリベンチマークは主にシングルホップリコールを評価し、マルチホップアソシエーションは未測定のままである。 私たちは3つの貢献をします。 まず、MemHopを紹介します。これは、1000の質問をホップ深度で比較したマルチホップメモリベンチマークで、10のソーシャルネットワークシナリオで1～5回、ホップ毎のエビデンスアノテーションを使用します。 次に、プログラフメモリ(ProGraph)について述べる。 (i)プロファイル展開 -- LLMで書かれたプロファイル物語に自然に現れるエンティティ名のサブストリングマッチングされたトラバース、明示的な知識グラフ構築の最小の代替品。 (ii)圧縮残量 -- 正確な日付、量、名前付きアイテムは、各プロファイル更新と合わせて、追加のAPIコストゼロで抽出される。 プロファイル拡張はマルチホップ推論(MemHopでは-22.6pp)を駆動し、圧縮残留は精度のリコール(LoCoMoでは8.6pp)を駆動し、クロスエフェクトは1つのアーキテクチャで3pp未満である。 ProGraphはMemHopで平均80.1%、LoCoMoで78.4%、Mem0、A-Mem、HippoRAG、RAGを上回っている。 私たちはMemHop、ProGraph、ベースライン実装をリリースしています。

関連論文リスト

• MemForest: Efficient Agent Memory Management via EventTree Partitioning and Progressive Merging [23.836080891576135]
  エージェントメモリシステムのための汎用メモリ圧縮フレームワークである textbfMemForest を提案する。 MemForestは、グローバルなセマンティックな類似性と局所的な時間的連続性を利用して、履歴記憶をイベント中心の単位に分割する。 マルチモーダルなM3-Agentフレームワークの下では、textbf99.7%の圧縮比でオリジナルのパフォーマンスを保存している。
  論文  参考訳（メタデータ） (2026-09-08T05:30:30Z)
• Zero-Mem: Zero-Token Memory Operations for LLM Agents [17.228305588778]
  Zero-Memは、元の相互作用トレースをレコードのソースとして保存する。 Zero-Memは、長期メモリと長期コンテキストの問合せベンチマークで競合するパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-07-31T13:01:06Z)
• 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)
• Homer: Understanding Long-form Videos with Hierarchical Memory and Agentic Reasoning [77.7531245219403]
  textscHomerは階層型オンラインメモリ探索および推論フレームワークである。 textscHomerの記憶は、生の知覚から繰り返される実体、明示的な時間的・因果関係と結びついた出来事まで、長いビデオのマルチスケール構造を反映している。 textscHomerは、M3-Bench-robot、M3-Bench-web、Video-MME-Longで$+5.5$、$+10.8$、$+4.4$ポイントで前のベストエージェントメソッドより優れている。
  論文  参考訳（メタデータ） (2026-07-01T05:53:09Z)
• AdaMem: Learning What to Remember for Personalized Long-Horizon LLM Agents [79.03892269184145]
  我々は、記憶に値するものはロール依存であり、 textbfAdaMem (Adaptive Memory)を提案する。 AdaMemは、メモリ容量をtextbf9%削減しながら、均一なMem0ベースライン上で textbf+9.0% まで精度を向上する。
  論文  参考訳（メタデータ） (2026-06-19T06:35:52Z)
• 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)
• MemQ: Integrating Q-Learning into Self-Evolving Memory Agents over Provenance DAGs [47.66730296440261]
  我々は,新たなメモリが生成されるたびに記憶が取得されたことを記録した証明DAGを通じて,クレジットを後方に伝播するMemQを紹介した。 6つのベンチマークで、MemQは、一般化評価とランタイム学習の6つすべてで最高成功率を達成した。 さらに、$と$がEC-MDP構造とどのように相互作用するかを研究し、パラメータ選択と将来の研究の原則的なガイダンスを提供する。
  論文  参考訳（メタデータ） (2026-05-08T18:30:24Z)
• Drawing on Memory: Dual-Trace Encoding Improves Cross-Session Recall in LLM Agents [0.22917707112773592]
  メモリ保存情報をフラットな事実記録として保持するLLMエージェントは、時間的推論、変更追跡、セッション間集約のコンテキストをほとんど提供しない。 描画効果に触発されて、デュアルトレースメモリの符号化を導入する。 この方法では、各記憶された事実を具体的シーントレースと組み合わせ、情報を学習した瞬間と状況の物語再構成を行う。
  論文  参考訳（メタデータ） (2026-04-14T16:45:06Z)
• GAAMA: Graph Augmented Associative Memory for Agents [0.0]
  GAAMAは、概念を介する階層的知識グラフを構成するグラフ拡張連想記憶システムである。 LoCoMo-10ベンチマーク(10のマルチセッション会話で1,540の質問)では、GAAMAは78.9%の平均報酬を獲得し、調整されたRAGベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-03-29T23:33:38Z)
• MemX: A Local-First Long-Term Memory System for AI Assistants [0.0]
  我々は、安定性指向の検索設計を備えたAIのためのローカルファーストの長期記憶システムであるMemXを提案する。 MemXは、libとOpenAI互換の組み込みAPI上にRustで実装されており、会話エージェントに対して永続的で検索可能な、説明可能なメモリを提供する。
  論文  参考訳（メタデータ） (2026-03-17T06:39:54Z)
• MemSearcher: Training LLMs to Reason, Search and Manage Memory via End-to-End Reinforcement Learning [73.27233666920618]
  本稿では,メモリを反復的に保持し,現在のターンと組み合わせたエージェントワークフローであるMemSearcherを提案する。 それぞれのターンで、MemSearcherはユーザーの質問をメモリに融合させ、推論トレースを生成し、検索アクションを実行し、メモリを更新してタスクの解決に必要な情報のみを保持する。 我々は,MemSearcher Agents の推論,検索戦略,メモリ管理を協調的に最適化する,エンドツーエンドの RL フレームワークである Multi-context GRPO を紹介する。
  論文  参考訳（メタデータ） (2025-11-04T18:27:39Z)
• Mem0: Building Production-Ready AI Agents with Scalable Long-Term Memory [0.5584627289325719]
  大規模言語モデル(LLM)は、文脈的に一貫性のある応答を生成する際、顕著な進歩を示した。 しかし、それらの固定されたコンテキストウィンドウは、長時間のマルチセッション対話に対する一貫性を維持するための根本的な課題を生じさせる。 私たちはMem0というスケーラブルなメモリ中心アーキテクチャを導入し、進行中の会話から健全な情報を動的に抽出し、統合し、取得することでこの問題に対処します。
  論文  参考訳（メタデータ） (2025-04-28T01:46:35Z)

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。