論文の概要: TrajWiki: Source-Grounded Memory Trajectories for Long-Horizon Dialogue Agents

• arxiv url: http://arxiv.org/abs/2608.00967v1
• Date: Sun, 02 Aug 2026 03:36:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.038756
• Title: TrajWiki: Source-Grounded Memory Trajectories for Long-Horizon Dialogue Agents
• Title（参考訳）: TrajWiki: 長距離対話エージェントのためのソース周囲のメモリトラジェクトリ
• Authors: Jingyu Sun, Yuyang Xue, Mingyang Li, Zhengtao Yao, Jiachen Li, Yang Cui, Wenhao Cai, Haozhe Liu, Fangying Wang, Magdalene Katharina Montgomery, Syed Murtuza Baker, Hongpeng Zhou,
• Abstract要約: 本稿では,長期会話エージェントのためのトラジェクトリベースのメモリフレームワークであるTrajWikiを提案する。 メモリを静的エントリとして扱う代わりに、TrajWikiは各メモリをソース基底の進化軌道として表現する。 TrajWikiはさらに、永続的な中間層であるMemory Wikiを導入し、対話履歴を構造化および相互リンクされたwikiページにインクリメンタルにコンパイルする。
• 参考スコア（独自算出の注目度）: 17.027152676146592
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model agents have shown strong capabilities in generating coherent and contextually appropriate responses, yet robust long-horizon dialogue remains limited by the lack of external memory that is traceable, updatable, and diagnostically transparent. Existing memory-augmented agents often store memories as isolated records or overwritable states, making it difficult to preserve how information originates, evolves, conflicts, or becomes obsolete over time. We propose TrajWiki, a trajectory-based memory framework for long-horizon conversational agents. Instead of treating memory as static entries, TrajWiki represents each memory as a source-grounded evolution trajectory, maintained through immutable episodic snapshots and claim-level operations such as ADD, REVISE, and DEPRECATE. To reduce fragmentation and retrieval cost, TrajWiki further introduces Memory Wiki, a persistent intermediate layer that incrementally compiles dialogue history into structured and interlinked wiki pages capturing salient entities, events, quantities, topics, and conflicts. At inference time, queries are routed hierarchically from relevant wiki pages to linked memory trajectories, then to corresponding snapshots and source messages for evidence-grounded answer synthesis. Experiments on LoCoMo and MedMT show that TrajWiki improves long-horizon dialogue performance across both open-source and closed-source LLM backbones, while providing greater interpretability and diagnostic visibility into memory evolution, retrieval failures, and answer generation.
• Abstract（参考訳）: 大規模言語モデルエージェントは、一貫性があり、文脈的に適切な応答を生成する強力な能力を示してきたが、堅牢な長距離対話は、トレース可能で、更新可能で、診断的に透過的な外部メモリの欠如によって制限されている。 既存の記憶増強エージェントは、しばしば記憶を孤立した記録や過度な状態として保存し、情報がどのように発生し、進化し、対立し、時間が経つにつれて時代遅れになるかを保存するのが難しくなる。 本稿では,長期会話エージェントのためのトラジェクトリベースのメモリフレームワークであるTrajWikiを提案する。 TrajWikiは、メモリを静的エントリとして扱う代わりに、各メモリをソース基底の進化軌跡として表現し、不変のエピソードスナップショットとABD、REVISE、DEPRECATEのようなクレームレベルの操作を通して維持する。 断片化と検索コストを削減するため、TrajWikiはさらにMemory Wikiを導入した。これは対話履歴を構造化および相互リンクされたウィキページにインクリメンタルにコンパイルし、健全なエンティティ、イベント、量、トピック、コンフリクトをキャプチャする、永続的な中間層である。 推論時には、クエリは関連するwikiページからリンクされたメモリトラジェクトリに階層的にルーティングされ、それに対応するスナップショットとソースメッセージはエビデンス基底の回答合成に使用される。 LoCoMoとMedMTの実験では、TrajWikiはオープンソースのLLMバックボーンとクローズドソースのLLMバックボーンの長い水平対話性能を改善し、メモリの進化、検索障害、応答生成に対する解釈性と診断の可視性を向上している。

関連論文リスト

• 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)
• 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)
• Memory Shot for Long-Term Dialogue [27.934717347947352]
  本稿では,局所的な連続的な対話を構造化された視覚記憶ユニットに展開するMemShotを提案する。 MemShotはLoCoMoとLongMemEvalの両方で安定かつ競争的なパフォーマンスを達成する。 さらなる分析により、MemShotは歴史的証拠の局所化と活用を促進することが明らかとなった。
  論文  参考訳（メタデータ） (2026-05-30T01:59:52Z)
• SAM: State-Adaptive Memory for Long-Horizon Reasoning Agent [51.274445160155864]
  ロングホライゾンのエージェント推論は、思考、ツールコール、観察、部分的な結論を含む長い相互作用履歴を通して行動するために大きな言語モデルを必要とする。 既存のアプローチでは、インタラクション履歴の切り抜き、短いサロゲートに圧縮、あるいは再利用のために選択した部分を取得することで、この問題に対処している。 我々は、インテント駆動リコールのための生のトラジェクトリページを保持しながら、継続的なインタラクションをコンパクトなメモリキューに統合するスタンドアロンフレームワークであるState-Adaptive Memoryを提案する。
  論文  参考訳（メタデータ） (2026-05-23T08:37:16Z)
• Rethinking How to Remember: Beyond Atomic Facts in Lifelong LLM Agent Memory [88.81430082035617]
  LLMエージェントは、蓄積された対話履歴を忠実に保存し、効率的に検索し、深く推論できるメモリシステムを必要とする。 本稿では,ソース識別子に固定された生の対話セグメントを含む3つの共存表現の粒度を格納するTriMemを提案する。
  論文  参考訳（メタデータ） (2026-05-19T15:05:06Z)
• 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)
• The AI Hippocampus: How Far are We From Human Memory? [77.04745635827278]
  インプリシットメモリは、事前訓練されたトランスフォーマーの内部パラメータに埋め込まれた知識を指す。 明示メモリは、動的でクエリ可能な知識表現でモデル出力を増大させるように設計された外部ストレージと検索コンポーネントを含んでいる。 エージェントメモリは、自律エージェント内に永続的、時間的に拡張されたメモリ構造を導入する。
  論文  参考訳（メタデータ） (2026-01-14T03:24:08Z)
• LiCoMemory: Lightweight and Cognitive Agentic Memory for Efficient Long-Term Reasoning [15.189701702660821]
  LiCoMemoryはリアルタイム更新と検索のためのエンドツーエンドのエージェントメモリフレームワークである。 CoGraphは、エンティティとリレーションをセマンティックインデックス層として利用する、軽量な階層グラフである。 長期の対話ベンチマークであるLoCoMoとLongMemEvalの実験では、LiCoMemoryは時間的推論、マルチセッション一貫性、検索効率において確立されたベースラインを上回るだけでなく、更新レイテンシも顕著に低減している。
  論文  参考訳（メタデータ） (2025-11-03T11:02:40Z)

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。