論文の概要: PGMem: Tightly Coupled Persona-Memory Graph for Lifelong Personalized Agents
- arxiv url: http://arxiv.org/abs/2608.01708v1
- Date: Mon, 03 Aug 2026 05:14:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.332237
- Title: PGMem: Tightly Coupled Persona-Memory Graph for Lifelong Personalized Agents
- Title（参考訳）: PGMem:生涯のパーソナライズされたエージェントのためのわずかに結合されたペルソナメモリグラフ
- Abstract要約: パーソナライズされた対話エージェントは、ペルソナが進化するにつれてユーザの好みを追跡する必要がある。
既存のメモリシステムは過去のイベントをうまく整理するが、ペルソナを正当化するイベントから分離したフラットなプロファイルとして保存する。
PGMemはイベントノードとペルソナノードを型付き証明とエビデンスエッジで接続する異質なペルソナメモリグラフである。
- 参考スコア（独自算出の注目度）: 11.905059134039663
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Long-term personalized dialogue agents must track user preferences as their personas evolve. Existing memory systems organize past events well, but store personas as flat profiles detached from the events that justify them. This loose coupling leads to the memory-persona validity gap and the persona-aware retrieval gap. We propose PGMem, a heterogeneous persona-memory graph that connects event and persona nodes through typed provenance and evidence edges, keeping each persona signal traceable to the events that support or revise it. At retrieval time, PGMem expands from query-relevant seeds and ranks signals by evidential validity. Across three benchmarks with small language model backbones, PGMem consistently outperforms summary-based, persona-aware, graph-structured, and agentic memory baselines, and improves performance as the context grows. The source code of PGMem is available at https://github.com/wonjunchoi23/pgmem/
- Abstract（参考訳）: パーソナライズされた対話エージェントは、ペルソナが進化するにつれてユーザの好みを追跡する必要がある。
既存のメモリシステムは過去のイベントをうまく整理するが、ペルソナを正当化するイベントから分離したフラットなプロファイルとして保存する。
この疎結合は、メモリ・ペルソナの妥当性ギャップとペルソナ・アウェアの検索ギャップにつながる。
PGMemは、イベントとペルソナノードを型付き前置詞とエビデンスエッジで接続し、各ペルソナ信号がそれをサポートするか修正するイベントにトレーサビリティを保持する、異種なペルソナメモリグラフである。
検索時に、PGMemはクエリ関連シードから拡張し、明確な妥当性でシグナルをランク付けする。
小言語モデルのバックボーンを持つ3つのベンチマークで、PGMemは、要約ベース、ペルソナ認識、グラフ構造化、エージェントメモリベースラインを一貫して上回り、コンテキストが大きくなるにつれてパフォーマンスが向上する。
PGMemのソースコードはhttps://github.com/wonjunchoi23/pgmem/で入手できる。
関連論文リスト
- Graph-Based Personalized Memory for LLM Agents: Representation, Evolution, Retrieval, and Evaluation [10.79929452695567]
大規模言語モデル(LLM)エージェントは、シングルセッションツールから長期的なパーソナルアシスタントへと進化している。
このシフトは、ユーザの好み、目標、制約、関係性、過去の経験が徐々に蓄積され、時間とともに頻繁に変化するため、メモリをパーソナライズするためのコア要件にします。
グラフベースのパーソナライズドメモリは、明示的な関係、時間的コンテキスト、エビデンスリンクを通じて、そのようなユーザ情報をモデル化する構造化された方法を提供する。
論文 参考訳（メタデータ） (2026-09-08T11:34:04Z) - Learning User-Aware Recall: Personalized Retrieval in Long-Term Conversational Memory [15.297367578990903]
プロファイル誘導型パーソナライズド検索最適化(PPRO)は対話履歴からエピソードおよびセマンティックメモリバンクを構築する。
PPROはメモリランキングにおいて明示的なパーソナライズされた先行として機能し、検索は安定したユーザー属性、好み、関係を考慮できる。
LoCoMoとLongMemEval-Sの実験では、トレーニング不要のメモリシステムよりも一貫した利得を示している。
論文 参考訳（メタデータ） (2026-05-28T06:47:48Z) - 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) - SAGE: A Self-Evolving Agentic Graph-Memory Engine for Structure-Aware Associative Memory [40.68349164818526]
本稿では,グラフメモリを動的長期記憶基板としてモデル化する自己進化型エージェントグラフメモリエンジンであるSAGEを紹介する。
SAGEには2つの役割がある: 相互作用履歴から構造化されたグラフメモリを漸進的に構成するメモリライタと、検索とメモリライタへのフィードバックを提供するGraph Foundation Modelベースのメモリリーダである。
論文 参考訳（メタデータ） (2026-05-12T12:47:43Z) - Mem-W: Latent Memory-Native GUI Agents [50.87647372904382]
本稿では,メモリをエージェントの連続的コンテキストの一部として扱う,潜在メモリネイティブなGUIエージェントであるMem-Wを紹介する。
4つのWebおよびモバイルナビゲーションベンチマークで、Mem-Wはさまざまなバックボーンとメモリ拡張ベースラインを一貫して改善している。
論文 参考訳（メタデータ） (2026-05-10T04:31:23Z) - 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) - Graph-based Agent Memory: Taxonomy, Techniques, and Applications [63.70340159016138]
メモリはLarge Language Model(LLM)ベースのエージェントの中核モジュールとして出現する。
さまざまなパラダイムの中でグラフは、関係依存をモデル化する本質的な能力のため、エージェントメモリの強力な構造として際立っている。
本調査では, エージェントメモリの総合的な検討について, グラフベースの観点から述べる。
論文 参考訳（メタデータ） (2026-02-05T13:49:05Z) - OP-Bench: Benchmarking Over-Personalization for Memory-Augmented Personalized Conversational Agents [55.27061195244624]
オーバーパーソナライゼーションを3つのタイプに分類する。
エージェントは不要な場合でも、ユーザメモリを取得およびオーバーアタッチする傾向があります。
我々の研究は、メモリ拡張対話システムにおいて、より制御可能で適切なパーソナライズに向けた最初の一歩を踏み出した。
論文 参考訳（メタデータ） (2026-01-20T08:27:13Z) - Memory Matters More: Event-Centric Memory as a Logic Map for Agent Searching and Reasoning [55.251697395358285]
大規模言語モデル(LLM)は、環境を推論し、計画し、相互作用するインテリジェントエージェントとして、ますます多くデプロイされている。
長期のシナリオに効果的にスケールするには、そのようなエージェントの重要な機能は、過去の経験を保持し、整理し、取り出すことができるメモリメカニズムである。
イベント理論にインスパイアされたイベント中心のメモリフレームワークであるCompassMemを提案する。
論文 参考訳（メタデータ） (2026-01-08T08:44:07Z) - EverMemOS: A Self-Organizing Memory Operating System for Structured Long-Horizon Reasoning [42.339841548168565]
大きな言語モデル(LLM)は、長期の対話エージェントとしてますますデプロイされているが、その限られたコンテキストウィンドウは、拡張された相互作用よりもコヒーレントな振舞いを維持するのが困難である。
本稿では,EverMemOSについて紹介する。EverMemOSは,計算メモリにエミュレートされたライフサイクルを実装した自己組織型メモリオペレーティングシステムである。
EverMemOSは、メモリ拡張推論タスクで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-01-05T14:39:43Z)
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。