論文の概要: MemSIF: From Structured Interactions to Dual-Track Fact Memory for LLM Agents

• arxiv url: http://arxiv.org/abs/2608.01742v2
• Date: Wed, 05 Aug 2026 17:04:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.114812
• Title: MemSIF: From Structured Interactions to Dual-Track Fact Memory for LLM Agents
• Title（参考訳）: MemSIF:LLMエージェントのための構造化相互作用からデュアルトラックファクトメモリへ
• Authors: YuFei Luo, Xiucheng Xu, Zhen Yang,
• Abstract要約: 本稿では,構造化インタラクション・ファクトメモリフレームワークであるMemSIF(Memory with Structured Interactions and Facts)を提案する。 MemSIFは、局所的なトピックコヒーレンスを保存するTopical Segmentsと、クロスタイムイベント連続性を維持するEvent Traiesに生のインタラクションを編成する。 MemSIFは全設定で最高の総ACCを達成し、LoCoMoでは2.29%-8.79%、LongMemEval-Sでは2.87%-6.15%と最強のベースラインを上回った。
• 参考スコア（独自算出の注目度）: 9.22036278858962
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-term memory is critical for LLM agents operating over long-horizon interactions. However, several persistent limitations of existing memory systems can be traced to two recurring misalignment patterns in long-term interaction settings: Temporal-Structural Misalignment (TSM) and Delayed Utility Manifestation (DUM). TSM arises when temporal proximity does not reliably align with topical or event-level relatedness, whereas DUM arises when write-time salience does not reliably predict future query utility. To mitigate these misalignment patterns, we propose MemSIF (Memory with Structured Interactions and Facts), a structured interaction-to-fact memory framework. Structured Interaction Memory organizes raw interactions into Topical Segments that preserve local topical coherence and Event Trajectories that maintain cross-time event continuity. Dual-Track Fact Memory uses two complementary tracks: CoreFact memory consolidates stable, schema-guided information at write time, whereas ActiveFact memory forms facts on demand and promotes those supported by multiple historical sources and recurring query demand for reuse. Experiments on LoCoMo and LongMemEval-S across five backbone LLMs show that MemSIF achieves the highest Total ACC in all settings, outperforming the strongest baseline by 2.29%-8.79% on LoCoMo and 2.87%-6.15% on LongMemEval-S. These results support the effectiveness of combining Structured Interaction Memory with Dual-Track Fact Memory to mitigate TSM and DUM. Code is available at https://github.com/luoyufeihaha/MemSIF.
• Abstract（参考訳）: 長期記憶は、LLMエージェントが長時間水平相互作用を操作するために重要である。 しかし、既存のメモリシステムの永続的な制限は、TSM(Temporal-Structural Misalignment)とDUM(Delayed Utility Manifestation)の2つの反復的な不一致パターンに遡ることができる。 TSMは、時間的近接がトピックやイベントレベルの関連性に確実に一致しない場合に発生するが、DUMは書き込み時のサリエンスが将来のクエリユーティリティを確実に予測しないときに発生する。 これらの不整合パターンを緩和するため,構造化インタラクション・ファクトメモリフレームワークであるMemSIF(Memory with Structured Interactions and Facts)を提案する。 構造化インタラクションメモリは、局所的なトピックコヒーレンスを保存するTopical Segmentsと、イベントの連続性を維持するEvent Trajectororyに生のインタラクションを整理する。 CoreFactメモリは書き込み時に安定したスキーマ誘導された情報を統合し、ActiveFactメモリは要求に応じてファクトを生成し、複数の履歴ソースでサポートされ、再利用のためのクエリ要求が繰り返される。 LoCoMo と LongMemEval-S を5つのバックボーン LLM で比較したところ、MemSIF は LoCoMo では 2.29%-8.79%、LongMemEval-S では 2.87%-6.15% で最強の ACC を達成している。 これらの結果は、TSMとDUMを緩和するために、構造化相互作用メモリとデュアルトラックファクトメモリの組み合わせの有効性を支持する。 コードはhttps://github.com/luoyufeihaha/MemSIFで入手できる。

関連論文リスト

• MemRefine: LLM-Guided Compression for Long-Term Agent Memory [67.62350557461352]
  大規模言語モデル (LLM) エージェントは、長期的相互作用を通じて操作されることがますます期待されている。 相互作用が蓄積されるにつれて、メモリストアはバウンドなしで成長し、ストレージコストを増大させ、最も有用な証拠を収集することによって検索を低下させる冗長なエントリを埋める。 これは特に、ハードメモリの予算を持つリソース制約のあるプラットフォームに制限されている。 本稿では,既存のメモリストアを固定予算内に保持し,将来的なインタラクションに有用な情報を保存するための,ストレージ予算のメモリ管理を提案する。
  論文  参考訳（メタデータ） (2026-06-11T10:46:17Z)
• 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)
• Lightweight LLM Agent Memory with Small Language Models [27.343533336242913]
  LightMemは、Small Language Models (SLM)によって駆動されるより優れたエージェントメモリのための軽量メモリシステムである。 我々は,記憶を即時会話のための短期記憶(STM),再利用可能な対話要約のための中期記憶(MTM),統合された知識のための長期記憶(LTM)に整理する。 実験の結果,LoCoMoではF1が平均2.5向上し,より効率的で中央値の低いレイテンシ(83ms検索,581msエンドツーエンド)が得られた。
  論文  参考訳（メタデータ） (2026-04-09T04:51:07Z)
• MemGround: Long-Term Memory Evaluation Kit for Large Language Models in Gamified Scenarios [33.8882826707344]
  MemGroundは、リッチでゲーミフィケーションされたインタラクティブシナリオを基盤とした、厳格な長期メモリベンチマークである。 メモリ利用と行動軌跡の両方を包括的に定量化するために,多次元計量スイートを提案する。
  論文  参考訳（メタデータ） (2026-03-23T02:57:39Z)
• 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)
• HiMem: Hierarchical Long-Term Memory for LLM Long-Horizon Agents [3.9396865837159822]
  HiMemは、長距離対話のための階層的長期記憶フレームワークである。 メモリ構築、検索、持続的なインタラクション中の動的更新をサポートする。 その結果、HiMemは、精度、一貫性、長期的な推論において、代表的ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-01-10T01:26:01Z)
• SCM: Enhancing Large Language Model with Self-Controlled Memory Framework [54.33686574304374]
  大きな言語モデル(LLM)は、長い入力を処理できないため、重要な歴史的情報が失われる。 本稿では,LLMが長期記憶を維持し,関連する情報をリコールする能力を高めるための自己制御メモリ(SCM)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-26T07:25:31Z)

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。