論文の概要: Hierarchical Graph Memory for LLM Agents with Path-level Localization and Rewrite

• arxiv url: http://arxiv.org/abs/2608.05095v1
• Date: Wed, 05 Aug 2026 17:32:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:44.058777
• Title: Hierarchical Graph Memory for LLM Agents with Path-level Localization and Rewrite
• Title（参考訳）: 経路レベルのローカライゼーションとリライトを有するLCMエージェントの階層的グラフメモリ
• Authors: Xiawei Yue, Boran Wang, Xiaoqing Zhang, Shuxin Zheng, Ziwei Zhang,
• Abstract要約: 経路レベルのローカライズと書き換えが可能な階層型グラフメモリフレームワークであるHiGramを提案する。 具体的には、まず階層的なグラフメモリを提案し、メモリを上位レベルのノードとMemoryUnitで構成される粗大なアーキテクチャに整理する。 さらに,マイクログラフに基づくパスレベルのローカライゼーションを提案し,クエリと更新条件付きマイクログラフを利用して,書き直し前のサポートサブグラフとエビデンスパスを識別する。
• 参考スコア（独自算出の注目度）: 12.046084242297423
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agents for long term reasoning require a memory that can be efficiently and effectively updated over time, as new facts and external feedback continue to arrive. Recently, graph memory has been adopted to offer structural organization for multi-hop retrieval and reasoning. However, existing methods store all memories in a flat graph, and accumulated historical memories can introduce irrelevant contexts and increase the cost of evidence selection during retrieval. Moreover, they typically update memory units independently, requiring repeated unit-wise rewrite to cover related changes. To address these issues, we propose HiGram, an evolving hierarchical graph memory framework with path-level localization and rewriting. Specifically, we first propose a hierarchical graph memory, which organizes the memory into coarse-to-fine architecture composed of upper-level nodes and MemoryUnits, thereby reducing the amount of irrelevant information during retrieval. We further propose MicroGraph-based path-level localization, which leverages query and update conditioned MicroGraphs to identify support subgraph and evidence path before rewrite. Finally, we propose a coordinated rewriting method that jointly revises intra-unit memory and inter-unit dependencies, enable valid dependency structures updating in the localized evidence path. Experiments on benchmarks for long-term conversational question answering and conflict-aware memory evaluation demonstrate that our method demonstrate substantial improvements over baselines in answer quality and token efficiency. Besides, our method improves answer accuracy and query-valid evidence selection under dynamic, static, and conditional conflicts.
• Abstract（参考訳）: 長期的な推論のエージェントは、新しい事実や外部からのフィードバックが届き続けているため、時間とともに効率的かつ効果的に更新できるメモリを必要とする。 近年,マルチホップ検索と推論のための構造組織として,グラフメモリが採用されている。 しかし、既存の手法では全ての記憶をフラットなグラフに格納し、蓄積した履歴記憶は無関係な文脈を導入し、検索中にエビデンス選択のコストを増大させることができる。 さらに、通常、メモリユニットを独立して更新し、関連する変更をカバーするために、繰り返し単位を書き換える必要がある。 これらの問題に対処するために、パスレベルのローカライゼーションと書き換えを備えた階層型グラフメモリフレームワークであるHiGramを提案する。 具体的には、まず、上位ノードとMemoryUnitからなる粗大なアーキテクチャにメモリを整理し、検索時に無関係な情報を減らす階層的なグラフメモリを提案する。 さらに,マイクログラフに基づくパスレベルのローカライゼーションを提案し,クエリと更新条件付きマイクログラフを利用して,書き直し前のサポートサブグラフとエビデンスパスを識別する。 最後に、ユニット内メモリとユニット間の依存関係を共同で更新し、局所化されたエビデンスパスを更新する有効な依存関係構造を実現するコーディネート書き換え手法を提案する。 長期会話型質問応答とコンフリクト対応メモリ評価のためのベンチマーク実験により,提案手法が解答品質とトークン効率の基準値よりも大幅に向上したことを示す。 さらに, 動的, 静的, 条件的競合下での解答精度と問合せ正解エビデンスの選択を改善した。

関連論文リスト

• MemChain: Learning Interpretable Memory Traces for Memory-Augmented LLM Agents [26.87993979719045]
  メモリ拡張LDMエージェントは通常、関連するメモリを検索し、直接回答モデルに入力することでクエリに応答する。 提案するMemChainは、検索した候補を応答対応アクティブメモリに変換する訓練後のメモリポリシーである。 MemChainは、クローズドソースとオープンウェイトフリートの両方の解答モデルにおいて、最先端のパフォーマンスを一貫して達成していることを示す。
  論文  参考訳（メタデータ） (2026-07-27T07:37:43Z)
• 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)
• Learning to Retrieve: Dual-Level Long-Term Memory for Text-to-SQL Agents [63.38073530162493]
  長期記憶は、エージェントが過去の経験を再利用するのに役立つ。 静的メソッドは、下流ユーティリティを最適化しない固定された類似性に依存します。 動的マルチ水平メモリ検索フレームワークであるMERITを提案する。
  論文  参考訳（メタデータ） (2026-05-30T05:44:34Z)
• 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)
• 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)
• 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)
• 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)
• 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)
• ArcMemo: Abstract Reasoning Composition with Lifelong LLM Memory [21.4675019810992]
  概念レベルのメモリは再利用され、ソリューショントレースから抽出されたモジュラー抽象化が自然言語に格納される。 我々は、合成一般化と抽象的推論を強調するベンチマークARC-AGIを評価する。 抽象概念は最も一貫したメモリ設計であり、全てのテストされた推論計算スケールでベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-09-04T17:54:19Z)

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。