論文の概要: RRM: Experience-Driven Reflective Retrieval Memory for Long-Horizon Multimodal Reasoning

• arxiv url: http://arxiv.org/abs/2607.28156v1
• Date: Thu, 30 Jul 2026 12:58:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.571123
• Title: RRM: Experience-Driven Reflective Retrieval Memory for Long-Horizon Multimodal Reasoning
• Title（参考訳）: RRM: 長距離マルチモーダル推論のための経験駆動型リフレクティブ検索メモリ
• Abstract要約: 本稿では,長距離マルチモーダル推論のためのリフレクティブメモリフレームワークであるReflective Retrieval Memory (RRM)を紹介する。 RRMは、転送可能な手続き的検索知識を蒸留する反射経験記憶を備えたエンティティ中心のマルチモーダルメモリグラフを増強する。 RRMは、M3-Bench-Robot、M3-Bench-Web、Video-MME-Longの最先端アプローチを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 11.148362747759917
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing multimodal long-term memory agents use external memory to overcome the limited context available for long videos. However, most methods emphasize what to store rather than how stored memory should be retrieved. When retrieval becomes inaccurate or repeatedly fails to obtain useful evidence, existing agents lack mechanisms to diagnose failures from previous task trajectories and adapt future search strategies.We introduce Reflective Retrieval Memory (RRM), a reflective memory framework for long-horizon multimodal reasoning. RRM augments an entity-centric multimodal memory graph with reflective experience memory, which distills transferable procedural retrieval knowledge from historical task trajectories. Unlike episodic and semantic memories that preserve factual evidence from the current video, reflective experience memory captures reusable search strategies across tasks. RRM converts retrieved experiences into query-level guidance, while answer generation remains conditioned only on factual evidence newly retrieved from the current video. A lifecycle management mechanism further regulates experience memory through usage frequency, reuse feedback, and temporal decay, thereby reducing redundancy and noise. RRM consistently outperforms previous state-of-the-art approaches on M3-Bench-Robot, M3-Bench-Web, and Video-MME-Long, demonstrating the effectiveness of reflective retrieval memory for long-horizon multimodal reasoning.
• Abstract（参考訳）: 既存のマルチモーダルな長期記憶エージェントは、長いビデオで利用可能な限られたコンテキストを克服するために外部メモリを使用する。 しかし、ほとんどのメソッドは、メモリの格納方法ではなく、保存すべきものを強調している。 検索が不正確になったり、しばしば有効な証拠が得られなかった場合、既存のエージェントは、過去のタスクトラジェクトリからの障害を診断し、将来の検索戦略に適応するためのメカニズムを欠いている。 RRMは、過去のタスクトラジェクトリから転送可能な手続き的検索知識を蒸留する、反射経験記憶を備えたエンティティ中心のマルチモーダルメモリグラフを増強する。 現在のビデオから事実証拠を保存しているエピソード記憶やセマンティック記憶とは異なり、反射体験記憶はタスク間の再利用可能な検索戦略をキャプチャする。 RRMは、検索した経験をクエリレベルのガイダンスに変換するが、回答生成は、現在のビデオから新たに取得した事実証拠にのみ条件付けされている。 ライフサイクル管理機構は、使用頻度、再利用フィードバック、時間減衰による体験記憶をさらに規制し、冗長性とノイズを低減させる。 RRMは、M3-Bench-Robot, M3-Bench-Web, Video-MME-Longにおける従来の最先端手法よりも一貫して優れており、長距離多モード推論における反射型検索メモリの有効性を実証している。

関連論文リスト

• RaMem: Contextual Reinstatement for Long-term Agentic Memory [21.228780482661076]
  本稿では,検索したメモリフラグメントを文脈的エビデンスに変換するフレームワークであるAgenic Memory (RaMem) について述べる。 ラメムは4つの調整された段階を経る: (i) それぞれの記憶を元のエピソード条件、特にイベント時間、参照時間、セッションスパンおよび参加者に固定する証拠 (ii) 記憶条件誘導は、クエリによって入力されたエビデンス条件を導出する; (iii) 妥当性認識検索は、これらの条件を使用して、コンテンツ関連候補をフォールバック証拠として保持しながら、コンテキスト互換な記憶を優先順位付けする; (iv) コンテキスト保存合成は、選択された記憶の構造化されたコンテキストをジェネレータに保持する。
  論文  参考訳（メタデータ） (2026-06-22T04:41:14Z)
• 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)
• 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)
• MemMA: Coordinating the Memory Cycle through Multi-Agent Reasoning and In-Situ Self-Evolution [52.29303869050117]
  メモリ拡張LDMエージェントは、長期の相互作用をサポートするために外部メモリバンクを保持する。 MemMAはプラグアンドプレイのマルチエージェントフレームワークで、前方と後方の両方の経路に沿ってメモリサイクルを調整する。
  論文  参考訳（メタデータ） (2026-03-19T10:15:59Z)
• AMA: Adaptive Memory via Multi-Agent Collaboration [54.490349689939166]
  複数の粒度にまたがるメモリ管理に協調エージェントを活用する新しいフレームワークであるAMA(Adaptive Memory via Multi-Agent Collaboration)を提案する。 AMAは、ステート・オブ・ザ・アートのベースラインを著しく上回り、トークンの消費をフルコンテキストの手法と比べて約80%削減する。
  論文  参考訳（メタデータ） (2026-01-28T08:09:49Z)
• Evo-Memory: Benchmarking LLM Agent Test-time Learning with Self-Evolving Memory [89.65731902036669]
  Evo-Memoryは、大規模言語モデル(LLM)エージェントで自己進化型メモリを評価するための、ストリーミングベンチマークとフレームワークである。 10以上の代表的なメモリモジュールを評価し、10種類の多ターンゴール指向およびシングルターン推論およびQAデータセットで評価した。
  論文  参考訳（メタデータ） (2025-11-25T21:08:07Z)
• Look Back to Reason Forward: Revisitable Memory for Long-Context LLM Agents [33.617262543252494]
  本稿では、メモリ履歴全体からの選択的検索を可能にするコールバック強化メモリを備えたメモリ拡張エージェントReMemR1を提案する。 また,RLMLR(Reinforcement Learning with Multi-Level Rewards)を提案する。
  論文  参考訳（メタデータ） (2025-09-27T01:36:46Z)
• In Prospect and Retrospect: Reflective Memory Management for Long-term Personalized Dialogue Agents [70.12342024019044]
  大規模言語モデル(LLM)は、オープンエンド対話において大きな進歩を遂げているが、関連する情報の保持と取得ができないため、その有効性は制限されている。 本稿では,長期対話エージェントのための新しいメカニズムであるリフレクティブメモリ管理(RMM)を提案する。 RMMは、LongMemEvalデータセットのメモリ管理なしでベースラインよりも10%以上精度が向上している。
  論文  参考訳（メタデータ） (2025-03-11T04:15:52Z)

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。