Fugu-MT 論文翻訳(概要): LeanMem: Simple and Efficient Long-Term Memory for LLM Agents

論文の概要: LeanMem: Simple and Efficient Long-Term Memory for LLM Agents

arxiv url: http://arxiv.org/abs/2608.03463v1
Date: Tue, 04 Aug 2026 10:59:49 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-05 15:30:23.14816
Title: LeanMem: Simple and Efficient Long-Term Memory for LLM Agents
Title（参考訳）: LeanMem: LLMエージェントのシンプルで効率的な長期メモリ
Abstract要約: 軽量な長期記憶フレームワークであるLeanMemを提案する。推論中、LeanMemは動的にメモリタイプを選択し、クエリ固有のエビデンス要求に従って検索予算を割り当てる。 GPT-4.1-miniとQwen3-8BのLoCoMoとLongMemEval-Sでは、LeanMemは全ての設定において最強のメモリベースベースラインよりも精度を向上させる。
参考スコア（独自算出の注目度）: 21.43772050088654
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Long-term memory is essential for LLM-based agents to sustain interactions and reliably leverage distant history. However, existing memory systems typically process heterogeneous dialogue content through a uniform summarization and retrieval pipeline, leading to either excessive token consumption or irreversible loss of fine-grained evidence. We argue that historical dialogue content should be handled differently according to its compressibility, temporal dynamics, and fidelity requirements. Based on this insight, we propose LeanMem, a lightweight long-term memory framework. LeanMem first filters out low-value content, then stores informative segments as compact profile memory, temporally structured event memory, or source-grounded record memory, depending on the nature of the information. During maintenance, only dynamically evolving event memories are selectively updated, avoiding redundant consolidation of stable profiles and immutable records. During inference, LeanMem dynamically selects memory types and allocates retrieval budgets according to query-specific evidence demands, assembling relevant evidence on demand. On LoCoMo and LongMemEval-S with GPT-4.1-mini and Qwen3-8B, LeanMem improves accuracy over the strongest memory-based baseline in every setting, by up to 15.1 points, at the lowest or near-lowest construction cost, inference tokens, and latency. The code and datasets are included in the supplementary materials.
Abstract（参考訳）: 長期記憶は、LLMベースのエージェントが相互作用を維持し、遠くの履歴を確実に活用するために不可欠である。しかし、既存のメモリシステムは一般に一様要約と検索パイプラインを通して異種対話の内容を処理するため、過剰なトークン消費や細かい証拠の紛失につながる。歴史的対話内容は, 圧縮性, 時間的ダイナミクス, 忠実度要求に応じて異なる処理をすべきである。この知見に基づいて、軽量な長期記憶フレームワークであるLeanMemを提案する。 LeanMemはまず、低値のコンテンツをフィルタリングし、次に情報セグメントを、情報の性質に応じて、コンパクトなプロファイルメモリ、時間的に構造化されたイベントメモリ、またはソース基底レコードメモリとして格納する。メンテナンス中は、動的に進化するイベントメモリのみを選択的に更新し、安定したプロファイルと不変レコードの冗長な統合を避ける。推論中、LeanMemは動的にメモリタイプを選択し、クエリ固有のエビデンス要求に従って検索予算を割り当て、要求に関する適切なエビデンスを組み立てる。 GPT-4.1-mini と Qwen3-8B の LoCoMo と LongMemEval-S では、LeanMem は最強のメモリベースベースラインよりも15.1ポイントの精度を最低または最低の建設コスト、推論トークン、レイテンシで改善している。コードとデータセットは補足資料に含まれている。

関連論文リスト

Retrieval-Driven Memory Reconsolidation for Long-Term LLM Agents [39.55670043123564]
既存のメモリシステムは、新しい情報が到着したときにメモリを更新する。検索フィードバックは、将来のアクセスのためにメモリを再編成するために利用されることはめったにない。 LLMエージェントの長期記憶を継続的に進化させるフレームワークである textbfREALM を提案する。
論文参考訳（メタデータ） (2026-09-13T05:17:37Z)
RippleMem: From Isolated Retrieval to Associative Recollection for Long-Term Agent Memory [13.519130680921565]
本稿では,長期記憶システムであるRippleMemを紹介する。 LoCoMoとLongMemEval-Sは、RippleMemが評価された設定全体で最高の全体的なパフォーマンスを達成することを示している。
論文参考訳（メタデータ） (2026-08-13T15:05:01Z)
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)
MemGuard: Preventing Memory Contamination in Long-Term Memory-Augmented Large Language Models [56.31411457917676]
本稿では,メモリ構築と検索において,機能的メモリ境界を保存するタイプアウェアメモリフレームワークであるMemGuardを紹介する。幻覚と長期会話のベンチマーク全体で、MemGuardはメモリの信頼性を最大28.27%向上し、メモリトークンは以前の方法より5.8倍少ない。
論文参考訳（メタデータ） (2026-05-27T06:04:19Z)
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)
Beyond the Context Window: A Cost-Performance Analysis of Fact-Based Memory vs. Long-Context LLMs for Persistent Agents [0.0]
永続型AIシステムは、長いコンテキストの大規模言語モデル(LLM)に完全な会話履歴を渡すことと、構造化された事実を抽出して検索する専用のメモリシステムを維持することの選択肢に直面している。我々は,Mem0フレームワーク上に構築されたファクトベースのメモリシステムと,3つのメモリ中心ベンチマーク上でのLLMの長文推論を比較した。
論文参考訳（メタデータ） (2026-03-05T05:01:30Z)
Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents [57.38404718635204]
大規模言語モデル (LLM) エージェントは、有限コンテキストウィンドウによる長距離推論において基本的な制限に直面している。既存のメソッドは通常、長期記憶(LTM)と短期記憶(STM)を独立したコンポーネントとして扱う。本稿では,エージェントのポリシーに LTM と STM 管理を直接統合する統合フレームワークである Agentic Memory (AgeMem) を提案する。
論文参考訳（メタデータ） (2026-01-05T08:24:16Z)
LightMem: Lightweight and Efficient Memory-Augmented Generation [72.21680105265824]
我々は、メモリシステムの性能と効率のバランスをとるLightMemという新しいメモリシステムを紹介した。人間の記憶のアトキンソン・シフリンモデルにインスパイアされたLightMemは、メモリを3つの相補的なステージにまとめる。 GPTとQwenのバックボーンを用いたLongMemEvalの実験では、LightMemは高いベースライン(最大10.9%のゲイン)を上回り、トークンの使用量を最大117倍に削減している。
論文参考訳（メタデータ） (2025-10-21T17:58:17Z)
Multiple Memory Systems for Enhancing the Long-term Memory of Agent [9.43633399280987]
MemoryBankやA-MEMといった既存の手法は、記憶されているメモリの質が劣っている。我々は認知心理学理論にインスパイアされた多重記憶システムを設計した。
論文参考訳（メタデータ） (2025-08-21T06:29:42Z)
From Single to Multi-Granularity: Toward Long-Term Memory Association and Selection of Conversational Agents [79.87304940020256]
大言語モデル(LLM)は会話エージェントで広く採用されている。 MemGASは、多粒度アソシエーション、適応選択、検索を構築することにより、メモリ統合を強化するフレームワークである。 4つの長期メモリベンチマークの実験により、MemGASは質問応答と検索タスクの両方において最先端の手法より優れていることが示された。
論文参考訳（メタデータ） (2025-05-26T06:13:07Z)
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。