論文の概要: ArborMem: Navigating Interaction States with Memory Forests

• arxiv url: http://arxiv.org/abs/2608.17534v1
• Date: Tue, 18 Aug 2026 08:54:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.277294
• Title: ArborMem: Navigating Interaction States with Memory Forests
• Title（参考訳）: ArborMem: メモリフォレストとのインタラクション状態のナビゲート
• Abstract要約: 大きな言語モデルは、より永続的な会話アシスタントとして機能する。 ArborMemは、長時間会話をナビゲート可能な対話状態の森として表現するオンラインメモリフレームワークである。 新しい入力毎に、ArborMemは関連する状態をローカライズし、ブランチローカルコンテキストを復元し、ブランチ全体で再利用可能なエビデンスで拡張する。
• 参考スコア（独自算出の注目度）: 9.724913528017408
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models increasingly serve as persistent conversational assistants, requiring memory that preserves relevant experience and maintains continuity across interactions. Existing methods improve access to conversational history through long-context processing, selective retrieval, and structured memory organization. However, most systems treat memory access as retrieving relevant past information without first determining which prior interaction state the current turn resumes. This limitation becomes particularly important when conversations interleave multiple tasks, people, and plans that may be interrupted and later revisited. We introduce ArborMem, an online memory framework that represents a long-running conversation as a navigable forest of interaction states. Each branch preserves a locally coherent trajectory, while the forest maintains multiple trajectories that may later be resumed. For each new input, ArborMem localizes the relevant state, restores its branch-local context, and augments it with reusable evidence retrieved across branches, preserving interaction continuity without conflating semantically related but structurally distinct trajectories. Existing long-term memory benchmarks cover diverse memory and reasoning capabilities but do not explicitly isolate branch-structured challenges. We therefore introduce BranchMemEval, a controlled diagnostic benchmark for interleaved and resumable interaction trajectories. Experiments on LongMemEval, LoCoMo, BEAM 100K, and BranchMemEval show that ArborMem outperforms the strongest baselines by 3.36 to 10.31 percentage points on the three established benchmarks and by 5.0 points on BranchMemEval. Its advantage grows under constrained read budgets, while complete memory queries remain below half a second.
• Abstract（参考訳）: 大規模な言語モデルは、より永続的な対話アシスタントとして機能し、関連するエクスペリエンスを保持し、相互作用間の連続性を維持するメモリを必要とする。 既存の手法は、長文処理、選択的検索、構造化記憶機構を通じて会話履歴へのアクセスを改善する。 しかし、ほとんどのシステムはメモリアクセスを、現在のターンが再開する前の操作状態を決定することなく、関連する過去の情報を取得するものとして扱う。 この制限は、会話が複数のタスク、人、計画をインターリーブするときに特に重要になる。 ArborMemは、長時間会話をナビゲート可能な対話状態の森として表現するオンラインメモリフレームワークである。 各枝は局所的なコヒーレントな軌道を保持し、森林は後に再開されるかもしれない複数の軌道を維持している。 それぞれの新しい入力に対して、ArborMemは関連する状態をローカライズし、そのブランチローカルコンテキストを復元し、ブランチ間で検索された再利用可能なエビデンスを増大させ、意味的に関連があるが構造的に異なる軌跡を混同することなく、相互作用の連続性を保存する。 既存の長期メモリベンチマークは、多様なメモリと推論機能をカバーするが、ブランチ構造上の課題を明示的に分離するものではない。 そこで我々は、インターリーブおよび再利用可能なインタラクショントラジェクトリのための制御された診断ベンチマークであるBranchMemEvalを紹介した。 LongMemEval、LoCoMo、BEAM 100K、BranchMemEvalの実験では、ArborMemは3つの確立されたベンチマークで3.36から10.31ポイント、BranchMemEvalでは5.0ポイントで最強のベースラインを上回っている。 その利点は、制限された読み込み予算の下で増大する一方、完全なメモリクエリは半秒以下である。

関連論文リスト

• Memory as a Controlled Process: Learned Adaptive Memory Management for LLM Agents [72.3752981234916]
  大きな言語モデル(LLM)エージェントは、タスク間の経験を蓄積するために、外部メモリシステムに依存している。 メモリ操作をマルコフ決定プロセスとしてモデル化するフレームワークである制御プロセス(MemCon)としてメモリを提示する。 MemConは、複数のメモリベースラインのタスク成功率を最大15.2ポイント上回り、トークン消費量を5-20%削減している。
  論文  参考訳（メタデータ） (2026-07-15T08:32:40Z)
• 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)
• VikingMem: A Memory Base Management System for Stateful LLM-based Applications [22.527701567108195]
  本稿では,長期的相互作用の持続状態を管理するための新しいデータ管理パラダイムであるMemory Baseを紹介する。 本稿では,VikingDBベクタエンジン上に実装されたエンドツーエンドメモリベース管理システムであるVikingMemを紹介する。
  論文  参考訳（メタデータ） (2026-05-28T09:07:42Z)
• MemForest: An Efficient Agent Memory System with Hierarchical Temporal Indexing [33.94614583313314]
  本稿では,エージェントメモリを書き込み効率のよい時間的データ管理問題として再構成するメモリフレームワークであるMemForestを紹介する。 MemForestは、並列チャンク抽出によってシーケンシャルなボトルネックを破り、メモリ構成を並列で独立した操作に分離する。 We evaluate MemForest on two long-context memory benchmarks, LongMemEval-S and LoCoMo。
  論文  参考訳（メタデータ） (2026-05-16T13:11:47Z)
• 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)
• TraceMem: Weaving Narrative Memory Schemata from User Conversational Traces [9.654990538033362]
  長期的な相互作用を維持することは、大規模言語モデルにとって依然としてボトルネックである。 ユーザの会話トレースから構造化された物語記憶スキーマを織り込むフレームワークであるTraceMemを提案する。 TraceMemは、ブレインインスパイアされたアーキテクチャで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-02-10T12:14:58Z)
• EverMemBench: Benchmarking Long-Term Interactive Memory in Large Language Models [16.865998112859604]
  EverMemBenchは、100万以上のトークンにまたがる多人数のマルチグループ会話を特徴とするベンチマークである。 EverMemBenchは、1000以上のQAペアを通じて3次元にわたるメモリシステムを評価する。
  論文  参考訳（メタデータ） (2026-02-01T16:13:08Z)
• 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)
• Mem-Gallery: Benchmarking Multimodal Long-Term Conversational Memory for MLLM Agents [76.76004970226485]
  長期記憶はマルチモーダル大言語モデル(MLLM)エージェントにとって重要な機能である。 Mem-GalleryはMLLMエージェントのマルチモーダル長期会話メモリ評価のための新しいベンチマークである。
  論文  参考訳（メタデータ） (2026-01-07T02:03:13Z)
• MEM1: Learning to Synergize Memory and Reasoning for Efficient Long-Horizon Agents [84.62985963113245]
  我々は,長時間のマルチターンタスクに対して,エージェントが一定のメモリで動作可能な,エンドツーエンドの強化学習フレームワークMEM1を紹介する。 各ターンでMEM1は、メモリ統合と推論を共同でサポートするコンパクトな共有内部状態を更新する。 その結果,MEM1-7Bは16目的のマルチホップQAタスクにおいて,Qwen2.5-14B-Instructと比較してメモリ使用量を3.7倍削減し,3.5倍の性能向上を示す。
  論文  参考訳（メタデータ） (2025-06-18T19:44:46Z)

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。