論文の概要: A Graph-Native Bitemporal Memory Store for Conversational AI Agents
- arxiv url: http://arxiv.org/abs/2607.26520v1
- Date: Wed, 29 Jul 2026 06:40:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-30 21:06:25.561023
- Title: A Graph-Native Bitemporal Memory Store for Conversational AI Agents
- Title（参考訳）: 対話型AIエージェントのためのグラフネイティブバイテンポラルメモリストア
- Abstract要約: HNSWベクトルインデックスとフルバイテンポラルデータモデルで拡張したエージェントローカルなNeo4jプロパティグラフについて述べる。
各メモリは、2つの閉時間間隔を持つバージョニングされたコンテンツノードにリンクされた不変のアイデンティティノードとして格納される。
このシステムは,長期記憶を強調するために設計された6つの質問タイプにまたがる500クエストベンチマークであるLongMemEvalで評価する。
- 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: Conversational AI agents commonly lack persistent memory across sessions. The obvious fixes like injecting full chat histories into the context window, or delegating to a third-party memory service, either exhaust the model's context budget or send personal data through infrastructure the user does not control. We describe a memory store that avoids both problems: an agent-local Neo4j property graph augmented with HNSW vector indexes and a full bitemporal data model. Each memory is stored as an immutable identity node linked to versioned content nodes carrying two closed-open time intervals: valid time (when the fact was true in the world) and transaction time (when the database recorded it). This design supports point-in-time semantic retrieval without physically overwriting history. Semantic edges between related memories are maintained automatically at write time using cosine similarity over 1024-dimensional embeddings. We evaluate the system on LongMemEval, a 500-question benchmark spanning six question types designed to stress long-term memory. Across 60 sampled questions, the current-state semantic search path achieves 46.7% R@10 overall, rising to 80% on knowledge-update questions. The time-travel path yields 80% R@10 on knowledge-update but decreases recall on temporal-reasoning questions (50% to 37.5%), a consequence of post-filter dilution that points directly to a concrete design improvement. We discuss what these results reveal about the limits of pure retrieval for different question types and what each failure mode suggests for future work.
- Abstract（参考訳）: 会話型AIエージェントは、セッション間での永続的なメモリを欠くことが多い。
コンテキストウィンドウに完全なチャット履歴を注入する、あるいはサードパーティのメモリサービスに委譲する、といった明らかな修正は、モデルのコンテキスト予算を浪費するか、ユーザがコントロールしていないインフラストラクチャを通じて個人情報を送信するかのいずれかである。
HNSWベクトルインデックスを付加したエージェントローカルなNeo4jプロパティグラフと、フルバイテンポラルデータモデルである。
それぞれのメモリは、バージョニングされたコンテンツノードにリンクされたイミュータブルなアイデンティティノードとして格納され、2つのクローズド・オープン・タイム・インターバル: 有効時間(世界が真実である場合)とトランザクション時間(データベースが記録する場合)である。
この設計は、物理的に書き直さないポイント・イン・タイムのセマンティック検索をサポートする。
関連記憶間のセマンティックエッジは、1024次元埋め込みのコサイン類似性を用いて書き込み時に自動的に維持される。
このシステムは,長期記憶を強調するために設計された6つの質問タイプにまたがる500クエストベンチマークであるLongMemEvalで評価する。
60以上の質問がサンプリングされ、現在のセマンティックサーチパスは46.7%のR@10を達成し、知識更新質問の80%まで上昇した。
タイムトラバーパスは、知識更新時に80%のR@10が得られるが、具体的な設計改善を直接指すフィルター後の希釈の結果、時間的推論に関する質問(50%から37.5%)のリコールを減少させる。
本稿では,これらの結果から,様々な質問タイプに対する純粋検索の限界と,今後の作業にどのような障害モードが提案されるのかを論じる。
関連論文リスト
- EM^2Mem: Event-Centric Multimodal Memory for Large Language Models [52.3165591032625]
本稿では,イベント中心型マルチモーダルメモリフレームワークEM2Memを提案する。
3つの長ビデオQAベンチマークで、EM2Memは最強のメモリベースラインの平均精度を2.0、2.4、および3.7ポイント改善した。
論文 参考訳（メタデータ） (2026-09-01T01:38:41Z) - REAL: A Reasoning-Enhanced Graph Framework for Long-Term Memory Management of LLMs [17.526686616588794]
大きな言語モデル(LLM)は、長い時間をかけてユーザーと対話することがますます期待されている。
LLMは過去のすべてのインタラクションを保持することができず、履歴情報の保存、更新、検索には長期記憶管理が不可欠である。
REALは長期会話記憶を時間的かつ信頼性に配慮したプロパティグラフとして構成する。
論文 参考訳（メタデータ） (2026-06-09T10:53:10Z) - MINTEval: Evaluating Memory under Multi-Target Interference in Long-Horizon Agent Systems [69.06764269022925]
本研究では,現在の記憶増強剤が現実的,干渉重大,長期的設定において果たす役割について検討する。
MINTEvalは、頻繁に更新される情報を備えた、長く高度に相互接続されたコンテキストを特徴とするベンチマークである。
MINTEvalは128.8kのトークンを平均で1インスタンスあたり1.8Mのトークンに拡張し、15.6kの質問応答ペアを持つ。
論文 参考訳（メタデータ） (2026-05-18T15:43:35Z) - Semantic-Aware Adaptive Visual Memory for Streaming Video Understanding [55.7992006853979]
SAVEMemは、セマンティックな認識をメモリ生成にもたらすフレームワークで、クエリ毎に検索スコープを適応させる。
SAVEMemは、メモリ生成にセマンティックな認識をもたらし、クエリ毎に検索範囲を適応させる、トレーニングフリーのデュアルステージフレームワークである。
論文 参考訳（メタデータ） (2026-05-08T15:40:40Z) - WorldDB: A Vector Graph-of-Worlds Memory Engine with Ontology-Aware Write-Time Reconciliation [0.0]
WorldDBは3つのコミットメントに基づいて構築されたメモリエンジンである。 (i) 各ノードは世界であり、 (ii) ノードはコンテンツに適応し不変であり、 (iii) エッジは書き込み時プログラムである。
LongMemEval-s (500の質問、115kの会話スタック)では、応答子としてClaude Opus 4.7とWorldDBが96.40%、タスク平均精度97.11%を達成した。
論文 参考訳（メタデータ） (2026-04-20T16:30:53Z) - 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) - Cognis: Context-Aware Memory for Conversational AI Agents [0.0]
LLMエージェントは永続的なメモリを欠き、セッション毎に会話がリセットされ、時間とともにパーソナライズされるのを防ぐ。
我々は会話型AIエージェントのための統一メモリアーキテクチャであるLyzr Cognisを紹介する。
システムはオープンソースで、対話型AIアプリケーションを提供する本番環境にデプロイされる。
論文 参考訳（メタデータ） (2026-03-27T10:15:30Z) - PERMA: Benchmarking Personalized Memory Agents via Event-Driven Preference and Realistic Task Environments [72.02445514666428]
静的な嗜好リコールを超えてペルマの一貫性を評価するためのベンチマークであるPERMAを紹介する。
PerMAは、複数のセッションとドメインにまたがる時間的に順序付けられたインタラクションイベントと、時間とともに好みに関連するクエリで構成されている。
実験により、関連するインタラクションをリンクすることで、高度なメモリシステムはより正確な好みを抽出し、トークン消費を減らすことができることが示された。
論文 参考訳（メタデータ） (2026-03-24T14:04:11Z) - AdaMem: Adaptive User-Centric Memory for Long-Horizon Dialogue Agents [49.63422082885992]
長軸対話エージェントのための適応型ユーザ中心メモリフレームワークであるAdaMemを提案する。
AdaMemは対話履歴をワーキング、エピソディック、ペルソナ、グラフメモリに整理する。
LoCoMo と PERSONAMEM ベンチマーク上での AdaMem の評価を行った。
論文 参考訳（メタデータ） (2026-03-17T13:22:54Z) - Beyond Dialogue Time: Temporal Semantic Memory for Personalized LLM Agents [68.84161689205779]
テンポラルセマンティックメモリ(TSM)は、ポイントワイドメモリのセマンティックタイムをモデル化するメモリフレームワークである。
TSMは既存の手法を一貫して上回り、最大12.2%の精度向上を実現している。
論文 参考訳（メタデータ） (2026-01-12T12:24:44Z)
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。