論文の概要: SF-AMS: Strategic Forgetting for Structured Memory in LLM Agent

• arxiv url: http://arxiv.org/abs/2607.22562v1
• Date: Fri, 29 May 2026 08:03:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:38.964727
• Title: SF-AMS: Strategic Forgetting for Structured Memory in LLM Agent
• Title（参考訳）: SF-AMS:LLMエージェントにおける構造化記憶のための戦略的蓄積
• Abstract要約: 本稿では,メモリユニットの長期的重要性をモデル化して,コンパクトな高ユーティリティメモリを維持するためのフレームワークを提案する。 SF-AMSは静的検索と崩壊を、冗長性の使用と時間信号からメモリの重要性を更新するユーティリティ駆動の生存メカニズムに置き換える。 LoCoMoとLongMemEval-sの実験は、LightMemO MemやA-Memといったアートベースラインの強い状態よりも一貫した利得を示している。
• 参考スコア（独自算出の注目度）: 23.56173571860151
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Managing long-context dependencies remains a primary bottleneck in LLM agents, as redundant and irrelevant information can degrade multi-step reasoning. Strategic Forgetting for Agent Memory Systems (SF-AMS) is proposed as a framework for maintaining compact high-utility memory by modeling the long-term importance of memory units. SF-AMS replaces static retrieval and heuristic decay with a utility-driven survival mechanism that updates memory importance from usage redundancy and temporal signals, inducing a hierarchical memory structure that prioritizes stable entity-consistent information while filtering noise. On top of this, Composite Importance Scoring integrates semantic and entity level signals to improve retrieval robustness. Experiments on LoCoMo and LongMemEval-s show consistent gains over strong state of the art baselines including LightMem MemO and A-Mem. The largest improvement appears in multi-hop reasoning under Qwen2.5-7B where SF-AMS achieves plus 9.65 F1 over the strongest baseline followed by temporal reasoning under GPT-4o-mini plus 6.91 F1 and open-domain tasks plus 6.53 F1 demonstrating strong cross backbone generalization. These results show that modeling memory importance as a dynamic utility signal is critical for reliable long-context reasoning.
• Abstract（参考訳）: 長いコンテキスト依存の管理はLLMエージェントの主要なボトルネックであり、冗長で無関係な情報は多段階の推論を劣化させる可能性がある。 メモリユニットの長期的重要性をモデル化し, コンパクトな高ユーティリティメモリを維持するためのフレームワークとして, エージェントメモリシステムのためのストラテジック・フォッッティング(SF-AMS)を提案する。 SF-AMSは静的検索とヒューリスティック崩壊を、使用時の冗長性や時間的信号からメモリの重要度を更新するユーティリティ駆動の生存メカニズムに置き換え、ノイズをフィルタリングしながら安定したエンティティ一貫性情報を優先する階層型メモリ構造を誘導する。 これに加えて、Composite Importance Scoringは、セマンティックとエンティティレベルの信号を統合して、検索の堅牢性を改善する。 LoCoMoとLongMemEval-sの実験では、LightMem MemOやA-Memといった強力な最先端ベースラインよりも一貫した利得を示している。 Qwen2.5-7BではSF-AMSが最強ベースラインで9.65 F1、GPT-4o-miniで時間的推論で6.91 F1、オープンドメインタスクで6.53 F1を達成している。 これらの結果から,動的効用信号としてのメモリ重要度をモデル化することは,信頼性の高い長文推論において重要であることが示唆された。

関連論文リスト

• Retrieval-Driven Memory Reconsolidation for Long-Term LLM Agents [39.55670043123564]
  既存のメモリシステムは、新しい情報が到着したときにメモリを更新する。 検索フィードバックは、将来のアクセスのためにメモリを再編成するために利用されることはめったにない。 LLMエージェントの長期記憶を継続的に進化させるフレームワークである textbfREALM を提案する。
  論文  参考訳（メタデータ） (2026-09-13T05:17:37Z)
• Harness the Memory: A Holistic Evaluation of Memory Substrates in Memory Agents [97.19033877543522]
  本稿では,メモリ拡張剤のメモリ基板の制御ハーネス評価について述べる。 統一されたハーネスの下で26のパフォーマンスと効率のメトリクスを計測する。 これらの知見は、アダプティブエージェントメモリシステムに必要なコンポーネントとして、基質ルーティングを動機付けている。
  論文  参考訳（メタデータ） (2026-08-15T03:29:48Z)
• 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)
• GRAVITY: Architecture-Agnostic Structured Anchoring for Long-Horizon Conversational Memory [38.10762218232756]
  本稿では,プラグイン・アンド・プレイ型構造化メモリモジュールGRAVITYを紹介する。 生会話音声から3つの知識表現を抽出する。 ホストシステムのプロンプトにこれらの表現を、構造化アンカーコンテキストとして注入する。
  論文  参考訳（メタデータ） (2026-05-03T02:55:46Z)
• MemEvoBench: Benchmarking Memory MisEvolution in LLM Agents [78.95081012334116]
  永続メモリを持つ大規模言語モデル(LLM)は、相互作用の継続性とパーソナライゼーションを高めるが、新たな安全性リスクをもたらす。 汚染または偏りのある記憶蓄積は、異常な作用を引き起こす可能性がある。 MemeEvoBenchは、LLMエージェントのメモリ安全性を評価する最初のベンチマークである。
  論文  参考訳（メタデータ） (2026-04-17T07:29:52Z)
• GAM: Hierarchical Graph-based Agentic Memory for LLM Agents [45.876418535406714]
  大きな言語モデル(LLM)エージェントは、新しい情報を取得し、事前の知識を保持することの間の緊張関係をナビゲートする必要がある。 現在の統合ストリームベースのメモリシステムは、コンテキスト更新を容易にするが、過渡的ノイズからの干渉に弱いままである。 本稿では,階層型グラフベースのエージェントメモリフレームワークであるGAMを提案する。
  論文  参考訳（メタデータ） (2026-04-14T04:53:00Z)
• GAM-RAG: Gain-Adaptive Memory for Evolving Retrieval in Retrieval-Augmented Generation [16.737829113782126]
  Retrieval-Augmented Generation (RAG) は、大規模な言語モデルに外部の証拠を付けているが、多くの実装では、構築後も静的なインデックスに依存している。 認知神経科学におけるスキーマに基づく学習をモチベーションとして,繰り返しクエリや関連するクエリから検索経験を蓄積する学習自由フレームワークであるGAM-RAGを提案する。 GAM-RAGは、リンクが固定的な意味関係ではなく、潜在的な共起をキャプチャする、軽量で無関係な階層インデックスを構築している。
  論文  参考訳（メタデータ） (2026-03-02T12:09:17Z)
• From Verbatim to Gist: Distilling Pyramidal Multimodal Memory via Semantic Information Bottleneck for Long-Horizon Video Agents [78.30630000529133]
  本稿ではファジィトレース理論に基づくピラミッド型マルチモーダルメモリアーキテクチャMM-Memを提案する。 MM-Memメモリは階層的に感覚バッファ、エピソードストリーム、シンボリックに構造する。 実験により、MM-Memがオフラインタスクとストリーミングタスクの両方で有効であることが確認された。
  論文  参考訳（メタデータ） (2026-03-02T05:12:45Z)
• MemFly: On-the-Fly Memory Optimization via Information Bottleneck [35.420309099411874]
  長期記憶により、大きな言語モデルエージェントは歴史的相互作用を通じて複雑なタスクに取り組むことができる。 既存のフレームワークは、冗長な情報を効率よく圧縮し、下流タスクの正確な検索を維持するというジレンマに遭遇する。 MemFlyは、LLMのオンザフライメモリ進化を促進する情報ボトルネックの原則に基づくフレームワークである。 MemFlyは、メモリコヒーレンス、応答忠実度、精度において最先端のベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2026-02-08T09:37:25Z)
• Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents [57.38404718635204]
  大規模言語モデル (LLM) エージェントは、有限コンテキストウィンドウによる長距離推論において基本的な制限に直面している。 既存のメソッドは通常、長期記憶(LTM)と短期記憶(STM)を独立したコンポーネントとして扱う。 本稿では,エージェントのポリシーに LTM と STM 管理を直接統合する統合フレームワークである Agentic Memory (AgeMem) を提案する。
  論文  参考訳（メタデータ） (2026-01-05T08:24:16Z)
• Improving Multi-step RAG with Hypergraph-based Memory for Long-Context Complex Relational Modeling [83.29209853451697]
  多段階検索強化世代(RAG)は,大規模言語モデル(LLM)の拡張戦略として広く採用されている。 我々はHGMemというハイパーグラフベースのメモリ機構を導入し、複雑な推論とグローバルな理解のためにメモリの概念を動的に表現的構造に拡張する。 提案手法では,ハイパーエッジが異なるメモリ単位に対応するハイパーグラフとして表現され,メモリ内での高次相互作用の進行的形成を可能にする。
  論文  参考訳（メタデータ） (2025-12-30T03:13:10Z)
• Memory-Augmented Log Analysis with Phi-4-mini: Enhancing Threat Detection in Structured Security Logs [0.0]
  構造化ログ解析のための二重メモリ検索拡張生成フレームワークである textbfDM-RAG を提案する。 これは最近の要約のための短期記憶バッファと、歴史的パターンのための長期FAISSインデックスメモリを統合している。 UNSW-NB15データセットでは、DM-RAG 53.64%の精度と98.70%のリコールがあり、リコール時のRAGベースラインと微調整された。
  論文  参考訳（メタデータ） (2025-10-01T05:23:05Z)
• Dynamic Memory-enhanced Transformer for Hyperspectral Image Classification [3.5093938502961763]
  ハイパースペクトル画像(HSI)分類は、複雑な空間スペクトル相関のため、依然として困難な課題である。 既存のトランスモデルは、長距離依存を捉えるのに優れているが、情報冗長性と注意力の非効率さに悩まされることが多い。 MemFormerは、動的メモリモジュールを反復的に洗練するメモリ強化型マルチヘッドアテンションメカニズムを導入している。 動的メモリ富化戦略は、複雑な空間的およびスペクトル的依存関係を段階的にキャプチャし、より表現力のある特徴表現をもたらす。
  論文  参考訳（メタデータ） (2025-04-17T17:43:34Z)

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。