論文の概要: RippleMem: From Isolated Retrieval to Associative Recollection for Long-Term Agent Memory
- arxiv url: http://arxiv.org/abs/2608.13334v1
- Date: Thu, 13 Aug 2026 15:05:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-14 18:29:38.573271
- Title: RippleMem: From Isolated Retrieval to Associative Recollection for Long-Term Agent Memory
- Title（参考訳）: RippleMem: 長期エージェント記憶のための分離検索から連想回収へ
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 13.519130680921565
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: LLM-based agents increasingly rely on external memory to support long-horizon reasoning and interaction. However, the main bottleneck is not simply storing past experience, but recovering the right set of evidence when relevant information is distributed across many interactions. Existing approaches struggle with this access problem. Full-context methods require noisy long-context search, flat retrieval often returns isolated and incomplete records, and graph-based memory systems can be expensive to construct while compressing rich event context. We introduce RippleMem, a long-term memory system that replaces one-shot retrieval with adaptive associative recollection. Inspired by cue-dependent episodic retrieval and associative completion, RippleMem stores interaction history as cue-rich episodic memory units and organizes them in an event-centric memory graph. Given a query, it first recalls relevant memory anchors through hybrid cues, then expands from these anchors along semantic and structural associations to recover missing supporting evidence. In this way, initially recalled memories serve not only as answer context, but also as cues for completing the evidence needed to answer. Experiments on LoCoMo and LongMemEval-S show that RippleMem achieves the best overall performance across evaluated settings, improving LLM-as-a-Judge accuracy by 3.95% on LoCoMo and up to 11.87% on LongMemEval-S, while reducing graph construction cost by about 30x.
- Abstract（参考訳）: LLMベースのエージェントは、長期の推論と相互作用をサポートするために、外部メモリに依存している。
しかし、主なボトルネックは、単に過去の経験を記憶するだけでなく、関連する情報が多くのインタラクションに分散しているときに、適切な証拠の集合を回復することである。
既存のアプローチはこのアクセス問題に苦慮している。
完全コンテキスト法では、ノイズの多い長文検索が必要であり、フラット検索はしばしば孤立した不完全なレコードを返却し、グラフベースのメモリシステムはリッチなイベントコンテキストを圧縮しながら構築するのにコストがかかる。
本稿では,長期記憶システムであるRippleMemを紹介する。
RippleMemはキュー依存のエピソード検索と連想補完にヒントを得て、インタラクション履歴をキューリッチなエピソードメモリ単位として保存し、イベント中心のメモリグラフに整理する。
クエリが与えられたら、まずハイブリッドキューを通じて関連するメモリアンカーをリコールし、セマンティックおよび構造的関連に沿ってこれらのアンカーから拡張し、行方不明な支持証拠を回復する。
このように、当初リコールされた記憶は、応答コンテキストだけでなく、答えるために必要な証拠を完成させるための手がかりとしても機能する。
LoCoMoとLongMemEval-Sの実験では、RippleMemは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し、LongMemEval-Sでは3.95%、LongMemEval-Sでは11.87%、グラフ構築では約30倍のコスト削減を実現している。
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) - CueMem: Cue-Guided Context Reconstruction for Long-Term Conversational Memory [38.76918926805768]
CueMemは、抽出されたメモリレコードを検索キューとして扱うキュー誘導フレームワークである。
ソースターンからクエリ関連対話コンテキストを再構築する。
LoCoMoとLongMemEvalの実験によると、CueMemは長期的なメモリ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） (2026-09-11T02:27:22Z) - LeanMem: Simple and Efficient Long-Term Memory for LLM Agents [21.43772050088654]
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。
論文 参考訳（メタデータ） (2026-08-04T10:59:49Z) - Imprint: Online Memory Compression for Long-Horizon Egocentric QA [3.944710336786154]
ロングホライゾンのエゴセントリックな質問の答えは、過去に何時間、何日も発生した出来事について答えることである。
既存のロングホライゾン・エゴセントリックQA法は、観測の階層的なテキスト要約としてメモリを構成する。
我々は,オンラインメモリ圧縮問題として,長軸エゴ中心メモリを定式化するインタラクション中心メモリフレームワークImprintを提案する。
論文 参考訳（メタデータ） (2026-07-01T09:45:30Z) - 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) - 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) - Evoking User Memory: Personalizing LLM via Recollection-Familiarity Adaptive Retrieval [59.295767860331004]
RF-Memは、親しみやすい不確実性誘導デュアルパスメモリレトリバーである。
それは、人間のようなデュアルプロセス認識をレトリバーに埋め込む。
一定の予算とレイテンシの制約の下で、ワンショット検索とフルコンテキスト推論を一貫して上回る。
論文 参考訳（メタデータ） (2026-03-10T06:31:44Z) - 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) - 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)
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。