論文の概要: The Sleeping Agent: What Gist-Based Context Compression Loses and Why

• arxiv url: http://arxiv.org/abs/2608.11775v1
• Date: Wed, 12 Aug 2026 08:19:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.516486
• Title: The Sleeping Agent: What Gist-Based Context Compression Loses and Why
• Title（参考訳）: 睡眠エージェント:Gistベースのコンテキスト圧縮が失われる理由と理由
• Abstract要約: 生体にインスパイアされた圧縮フレームワークは、睡眠ベースのメモリ統合によって動機付けられたもので、圧縮がいつ助けられ、いつ傷つくかを研究する。 ギスト圧縮は,マルチホップ推論や単一ホップの事実質問において,トランケーションを著しく上回ることがわかった。 gistの抽象化は、日付と時間を破棄しながら、リレーショナルとイベント構造を保存する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gist-based context compression---summarising older conversation history into compact representations---is a common approach in long-horizon language model agents, yet its effect on different types of memory retrieval is poorly understood. We use Salience-Weighted Consolidation (SWC), a biologically-inspired compression framework motivated by sleep-based memory consolidation, as a diagnostic probe to study when gist compression helps and when it hurts. SWC scores conversation history by salience, partitions it into priority tiers, and applies structured gist abstraction to mid-priority content. Evaluating four conditions on all ten LoCoMo conversations---1,935 matched text-only questions in total, 1,501 used in the primary aggregate after excluding Category 5 (adversarial) questions---at temperature 0, we find a consistent task-type interaction: gist compression substantially outperforms truncation on multi-hop reasoning and single-hop factual questions, but temporal questions remain substantially harder under compression, with compressed conditions scoring well below the full-context reference on the conversations where both are evaluated. We trace this failure to a specific mechanism: the gist abstraction prompt preserves relational and event structure while discarding dates and times. A preservation analysis across all ten conversations confirms the mechanism: an approximately 20-fold increase in temporal expression preservation (3.05% to 62.39%) with a one-sentence prompt modification, while named entity and event preservation rates barely change (x1.02 and x1.11), demonstrating that the fix is a precision instrument. The prompt modification recovers +0.314 [0.254, 0.375] judge accuracy on category-2 (temporal) questions in the matched set. Code and results: https://github.com/kyrkewood/sleeping-agent.
• Abstract（参考訳）: Gist-based context compress--summarising older conversation history into compact representations-------長期言語モデルエージェントでは一般的なアプローチであるが、異なるタイプのメモリ検索への影響は理解されていない。 私たちは、睡眠ベースの記憶統合を動機とした生物学的にインスパイアされた圧縮フレームワークであるSalience-Weighted Consolidation (SWC) を診断プローブとして使用し、ジスト圧縮がいつ、いつ、そして、それが痛いかを調査する。 SWCは、会話履歴をサリエンスでスコアし、優先度階層に分割し、構造化ジスト抽象化を中間優先コンテンツに適用する。 1,935件のLoCoMoの会話における4つの条件----1,935件のテキストのみの質問に一致し、第5カテゴリー(逆)の質問を除くと1,501件の質問が一次集計で使用される---温度0では、一貫したタスクタイプ相互作用が見つかる。 gistの抽象化は、日付と時間を破棄しながら、リレーショナルとイベント構造を保存する。 約20倍の時間的表現保存(3.05%から62.39%)を1文の即時修正で増加させ、名前付きエンティティとイベント保存率(x1.02、x1.11)はわずかに変化せず、修正が正確であることを示す。 即時修正は、一致したセットのカテゴリー2(時間)質問に対する+0.314[0.254, 0.375]判定精度を回復する。 コードと結果:https://github.com/kyrkewood/sleeping-agent。

関連論文リスト

• Entity-Memory Graph Retrieval Improves Evidence Coverage in Long-Conversation Question Answering [0.0]
  10のLoCoMo会話から1,986の質問に対して、グラフ検索はトップ25での公式証拠リコールを79.7468%から84.4842%に引き上げている。 試験されたGPT-3.5およびDeepSeek抽出器の両結果に対する試験的堅牢性をサポートする。
  論文  参考訳（メタデータ） (2026-08-28T05:03:33Z)
• What Does Context Compression Cost an Agent? Interaction Costs Unrevealed by Task-Completion Metrics [0.913755431537592]
  ツール使用エージェントのコストを節約するための制御されたランタイム計測プロトコルを提案する。 我々は、圧縮の重大度を変化させ、ドロップ演算子とファクト取得演算子を比較し、制御されたオラクル介入を通じてドロップ状態の復元を行い、ツールコールを検索と実行に分解する。 全体として、圧縮は実行関連状態が欠落し再取得されなければならない場合に、隠れたインタラクションコストを課す可能性がある。
  論文  参考訳（メタデータ） (2026-08-17T10:21:36Z)
• Relevant but Incomplete: Referential Dangling as a Paradigm-Level Failure Mode in Hard Prompt Compression [18.435649248662944]
  保持されたテキストが応答を含む場合、削除されたテキストは、それを解釈するために必要なエンティティを定義し、結果参照ダングリングを呼び出します。 提案手法では, 省略文に対して, 保持テキストの解釈が必要か否かを判断し, アノテーションを推論時にサポートせずに上位候補を再試行する。
  論文  参考訳（メタデータ） (2026-08-05T07:58:53Z)
• H+ Embedding: Harmonizing Global and Token-Level Retrieval with Context-Dependent Phrases [20.2337258233724]
  H+ Embeddingは可変長の句分割を予測し、未発見トークンをシングルトンとして保存し、重み付きMaxSimインタラクションによる重要誘導単位選択を適用する。 16の科学的、医学的、バイリンガル的タスクにまたがって、そのフレーズ検索部は、グローバル検索部を6.91マクロのnDCG@10で上回っている。 また、Tokenとほぼ一致し、ドキュメントベクターを13.7%削減し、適度なベクター予算の下でコンテンツ非依存のグルーピングルールを上回っている。
  論文  参考訳（メタデータ） (2026-07-29T01:37:45Z)
• MemOps: Benchmarking Lifecycle Memory Operations in Long-Horizon Conversations [50.24315431387575]
  ライフサイクル操作のシーケンスとして会話メモリを再構成するベンチマークであるMemOpsを紹介する。 MemOpsは、それぞれのメモリイベントをトリガ、ターゲット、スコープ、状態遷移、エビデンスを指定した構造化トレースで表現する。 長いコンテキスト、検索ベース、パラメトリック、マネージドメモリシステムにわたって、MemOpsはファイナ・アンサーの精度のみを隠蔽する障害モードをアンタングルする。
  論文  参考訳（メタデータ） (2026-07-14T15:33:44Z)
• Context-Aware Distillation and Ablation for Text2DSL [78.29352305480285]
  我々は、コンテクスト対応蒸留により、プロンプトのみの合成生成を置き換える。 教師の大きな言語モデルは、明示的に定義された構造化コンテキストの下で機能する。 これは、検証されたポルキットベンチコーパスを4,204対から10,073対にスケールする。
  論文  参考訳（メタデータ） (2026-06-21T16:27:24Z)
• Query-Adaptive Semantic Chunking for Retrieval-Augmented Generation: A Dynamic Strategy with Contextual Window Expansion [0.0]
  本稿では,クエリを3つのメカニズムを通じてセグメンテーションに統合することにより,チャンクを動的に構築するクエリ適応セマンティックチャンキング(QASC)を提案する。 QASCのF1スコアは0.85で、固定チャンクよりも18-27%、意味論的およびエージェント的代替よりも8-12%向上している。
  論文  参考訳（メタデータ） (2026-04-29T06:40:53Z)
• PERMA: Benchmarking Personalized Memory Agents via Event-Driven Preference and Realistic Task Environments [72.02445514666428]
  静的な嗜好リコールを超えてペルマの一貫性を評価するためのベンチマークであるPERMAを紹介する。 PerMAは、複数のセッションとドメインにまたがる時間的に順序付けられたインタラクションイベントと、時間とともに好みに関連するクエリで構成されている。 実験により、関連するインタラクションをリンクすることで、高度なメモリシステムはより正確な好みを抽出し、トークン消費を減らすことができることが示された。
  論文  参考訳（メタデータ） (2026-03-24T14:04:11Z)
• Learning to Forget: Sleep-Inspired Memory Consolidation for Resolving Proactive Interference in Large Language Models [0.11080037957254413]
  大規模言語モデル (LLM) はプロアクティブ干渉 (PI) に悩まされ、コンテキストウィンドウの古い情報が現在の値の検索を妨害する。 キー値(KV)キャッシュ上で学習した睡眠サイクルでトランスフォーマーベースのLCMを増強するフレームワークであるSleepGateを提案する。 SleepGateは深さ5で99.5%、深さ10で97.0%、全ベースライン(フルKVキャッシュ、スライディングウインドウ、H2O、StreamingLLM、崩壊専用アブレーション)は18%以下である。
  論文  参考訳（メタデータ） (2026-03-15T17:54:43Z)
• Memory-T1: Reinforcement Learning for Temporal Reasoning in Multi-session Agents [80.33280979339123]
  強化学習(RL)を用いた時間認識メモリ選択ポリシーを学習するフレームワークであるMemory-T1を紹介する。 Time-Dialogベンチマークでは、Memory-T1が7Bモデルを67.0%に引き上げ、オープンソースモデルの新たな最先端パフォーマンスを確立した。
  論文  参考訳（メタデータ） (2025-12-23T06:37:29Z)
• ImpliRet: Benchmarking the Implicit Fact Retrieval Challenge [50.93758649363798]
  Impliretは、推論の課題をドキュメント側処理にシフトするベンチマークである。 我々は,この環境下で苦戦している,疎水・密集したレトリバーの幅を評価した。
  論文  参考訳（メタデータ） (2025-06-17T11:08:29Z)
• On Memory Construction and Retrieval for Personalized Conversational Agents [69.46887405020186]
  本稿では,セグメンテーションモデルを導入し,セグメントレベルでメモリバンクを構築するセグメンテーション手法であるSeComを提案する。 実験結果から,SeComは長期会話ベンチマークLOCOMOとLong-MT-Bench+のベースラインよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2025-02-08T14:28:36Z)

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。