論文の概要: CABLE: Extending the Reach of Memory Retrieval via Complementary Antecedent-Based Linking and Expansion

• arxiv url: http://arxiv.org/abs/2608.17911v1
• Date: Tue, 18 Aug 2026 15:40:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.377799
• Title: CABLE: Extending the Reach of Memory Retrieval via Complementary Antecedent-Based Linking and Expansion
• Title（参考訳）: CABLE: 補完的アンセシデントベースリンクと拡張によるメモリ検索のリーチの拡張
• Abstract要約: リンク構築は、代わりに、レトリバー補足アソシエーションのスパースセットを優先すべきである。 CABLEは、ホストレトリバーの直接的なセマンティックリーチを拡張するためにリンクを構築するプラグイン拡張である。 CABLEは、評価されたシステムレベル設定毎に、平均LLM-judgeスコアを高くする。
• 参考スコア（独自算出の注目度）: 21.692254412768936
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: As LLM agents operate across structured workflows and sessions, preserving long-term history does not ensure that later contexts can recover relevant evidence through a bounded memory interface. We study this evidence-reachability problem in long-term conversational memory, where retrieval still relies heavily on semantic similarity. This works well for topical recall, but it often misses earlier experiences, plans, or motivations that are semantically distant from the later events they help explain. Existing memory graphs provide cross-memory structure, yet links driven mainly by semantic overlap can duplicate what the host retriever already recovers. We argue that link construction should instead prioritize a sparse set of retriever-complementary associations. We present CABLE (Complementary Antecedent-Based Linking and Expansion), a plug-in augmentation that constructs links designed to extend the host retriever's direct semantic reach. For each new memory, CABLE generates antecedent-oriented queries, retrieves prior memories, subtracts candidates in the direct semantic neighborhood, and verifies the remainder before adding the accepted complementary associations into a sparse directed graph. At retrieval time, CABLE expands the host system's retrieved seeds along these links to surface implicit supporting evidence. We evaluate CABLE with A-MEM on LoCoMo and MA-LongMemEval, and further integrate it into SimpleMem and Mem0g on LoCoMo, using Qwen3.5-27B, DeepSeek-chat, and GPT-4o-mini. CABLE yields higher mean LLM-judge scores in every evaluated system-level setting, with the largest gains in categories where useful evidence is distributed across memories or sessions, including open-domain, multi-session, and preference-oriented questions. These results support prioritizing sparse, reasoning-relevant associations that complement rather than duplicate the host retriever.
• Abstract（参考訳）: LLMエージェントは構造化ワークフローやセッション間で動作するため、長期履歴を保存することで、後続のコンテキストがバウンドメモリインターフェースを通じて関連するエビデンスを回復することを保証できない。 長期会話記憶におけるこのエビデンス・到達可能性問題について検討し、検索は意味的類似性に大きく依存している。 これはトピックのリコールにうまく機能するが、後続の出来事から意味的に離れた、初期の経験や計画、モチベーションを見逃すことがしばしばある。 既存のメモリグラフは、クロスメモリ構造を提供するが、主にセマンティックオーバーラップによって駆動されるリンクは、ホストレトリバーが既に回復しているものを複製することができる。 リンク構築は、代わりに、疎いレトリバーと補完的な関連を優先すべきである、と我々は主張する。 CABLE(Complementary Antecedent-Based Linking and Expansion)は、ホスト検索の直接的セマンティックリーチを拡張するために設計されたリンクを構築するプラグイン拡張である。 新しいメモリ毎に、CABLEは先行性指向のクエリを生成し、先行記憶を検索し、直接セマンティック地区の候補を抽出し、受け入れられた補完関係をスパース指向グラフに追加する前に残りのものを検証する。 検索時には、CABLEはホストシステムの検索された種子をこれらのリンクに沿って拡張し、暗黙的な支持証拠を提示する。 CABLEをLoCoMoおよびMA-LongMemEval上でA-MEMで評価し、さらにQwen3.5-27B, DeepSeek-chat, GPT-4o-miniを用いてSimpleMemとMem0gに統合した。 CABLEは、評価されたシステムレベルの設定ごとに平均LLM-judgeスコアを高くし、オープンドメイン、マルチセッション、優先指向の質問など、有用なエビデンスを記憶やセッションに分散するカテゴリで最も多く得ている。 これらの結果は、ホストレトリバーを複製するのではなく補完するスパース、推論関連アソシエーションの優先順位付けを支援する。

関連論文リスト

• 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)
• MemSearch-o1: Empowering Large Language Models with Reasoning-Aligned Memory Growth in Agentic Search [59.98962867649009]
  本稿では,メモリ成長とリトラシングに基づくエージェント検索フレームワークであるMemSearch-o1を提案する。 MemSearch-o1はクエリからメモリシードトークンからきめ細かいメモリフラグメントを成長させ、コントリビューション関数を通じてメモリを再トレースし、深く洗練し、最終的にグローバルに接続されたメモリパスを再編成する。
  論文  参考訳（メタデータ） (2026-04-19T05:35:06Z)
• HingeMem: Boundary Guided Long-Term Memory with Query Adaptive Retrieval for Scalable Dialogues [12.529136884264092]
  HingeMemは、バウンダリトリガーされたハイパーエッジを介して解釈可能なインデックスインターフェースを構築する、バウンダリガイダンス付き長期メモリである。 クエリ適応型検索機構は、(a) textit Whatを検索する: 要素インデックスメモリ上のクエリ条件付きルーティングを決定する。 HingeMemはクエリカテゴリの仕様なしで、強いベースラインに対して約20%の相対的な改善を実現している。
  論文  参考訳（メタデータ） (2026-04-08T09:07:07Z)
• MemMA: Coordinating the Memory Cycle through Multi-Agent Reasoning and In-Situ Self-Evolution [52.29303869050117]
  メモリ拡張LDMエージェントは、長期の相互作用をサポートするために外部メモリバンクを保持する。 MemMAはプラグアンドプレイのマルチエージェントフレームワークで、前方と後方の両方の経路に沿ってメモリサイクルを調整する。
  論文  参考訳（メタデータ） (2026-03-19T10:15:59Z)
• 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)
• Panini: Continual Learning in Token Space via Structured Memory [4.979820180013486]
  言語モデルは、トレーニングされていないコンテンツを推論するために、ますます使われています。 一般的なアプローチは検索拡張生成(RAG)であり、これは動詞の文書を(チャンクとして)外部に保存し、推論時に関連するサブセットのみを取得する。 本稿では,基本モデルを固定したままで,新たな経験を外部セマンティックメモリ状態に統合することで学習を行う,人間のような非パラメトリック連続学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-16T19:58:03Z)
• Beyond RAG for Agent Memory: Retrieval by Decoupling and Aggregation [22.803751188961865]
  検索は類似性マッチングを超えて移動し、代わりに潜在コンポーネントを操作するべきだと我々は主張する。 我々は、無傷ユニットの階層を構築し、検索可能な高レベルノード組織を維持するxMemoryを提案する。
  論文  参考訳（メタデータ） (2026-02-02T12:04:58Z)
• 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)
• 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。