論文の概要: ECHO: A Cognitively Inspired, Auditable Memory Plane for Long-Horizon Agents
- arxiv url: http://arxiv.org/abs/2608.21755v1
- Date: Sat, 22 Aug 2026 03:33:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:43.434645
- Title: ECHO: A Cognitively Inspired, Auditable Memory Plane for Long-Horizon Agents
- Title（参考訳）: ECHO:ロングホライゾンエージェントのための認知的、聴取可能な記憶平面
- Abstract要約: 提案するECHOは,エピソードエンコーディング,コンソリデーション,コンテクストリテンション,リソリデーション,エグゼクティブコントロールにインスパイアされた,監査可能なメモリアーキテクチャである。
開発は1,536のLoCoMoカテゴリ1-4質問で96.29%のHit@10と73.64%のRecall@5、97.60%のHit@10、88.84%のRongMemEval-S質問で88.71%のセッションRecall@5に達する。
- 参考スコア（独自算出の注目度）: 7.174528539239852
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Long-horizon agents need memory that identifies relevant experience, resolves revisions, and exposes checkable provenance. We present ECHO (Embodied Context and History Orchestration), an auditable memory architecture and service prototype inspired by episodic encoding, consolidation, contextual reinstatement, reconsolidation, and executive control. This is functional inspiration, not neural equivalence; the empirical analysis focuses on retrieval and context construction. Development runs reach 96.29% Hit@10 and 73.64% turn Recall@5 on 1,536 LoCoMo category 1-4 questions, and 97.60% Hit@10, 88.84% turn Recall@5, and 88.71% session Recall@5 on all 500 LongMemEval-S questions. A five-history BEAM gate fails, and in a separate matched 91-question QA sample Mem0 OSS scores 64.84% versus ECHO's 41.76% (exact McNemar p = 0.00107), with a history-cluster interval crossing zero. A post-hoc audit found source-specific phrases in the query-expansion rules. Although no gold answer field entered the runtime, expansion-enabled retrieval scores are therefore descriptive development measurements, not independent confirmation.
- Abstract（参考訳）: ロングホライゾンエージェントは、関連する経験を特定し、リビジョンを解決し、チェック可能な証明を公開するメモリを必要とする。
提案するECHO(Embodied Context and History Orchestration)は,エピソードエンコーディング,コンソリデーション,コンソリデーション,コンテクストリステートメント,リソリデーション,エグゼクティブコントロールにインスパイアされた,監査可能なメモリアーキテクチャとサービスプロトタイプである。
これは機能的なインスピレーションであり、神経同値ではない。
開発は1,536のLoCoMoカテゴリで96.29%のHit@10と73.64%のRecall@5、97.60%のHit@10、88.84%のRongMemEval-S質問で88.71%のセッションRecall@5に達する。
5ヒストリーのBEAMゲートが故障し、91クエストQAサンプルのMem0 OSSが64.84%、ECHOの41.76%(McNemar p = 0.00107)が0。
ポストホック監査では、クエリ拡張ルールにソース固有のフレーズが見つかった。
ランタイムに金の応答フィールドは入っていないが、拡張可能な検索スコアは独立した確認ではなく記述的な開発測定である。
関連論文リスト
- Hindsight Memory-PRM: Supervising Memory Management with Auditable Hindsight Credit [48.811961095386]
Hindsight Memory-PRMはこの監査パスを2回利用します。
オフラインで操作条件付きメモリユーティリティの批判をトレーニングする。
オンラインでは、検索、引用、および1つの制御された削除と再回答が、介入校正されたエントリーレベルのプレゼンスクレジットを確定する。
論文 参考訳（メタデータ） (2026-08-30T06:53:13Z) - 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) - When Memory Updates but Behavior Does Not: Repairing Implicit Stale Dependencies in Personalized Agent Responses [1.5770673503612611]
メモリ拡張されたエージェントは、ユーザの格納された状態が時代遅れであることを知ることができ、なおも古い値を計画する。
私たちは1つの構造的コントリビュータを特定します。 ドラフトアンコールによる検証は、応答が何を言っているかをチェックします。
論文 参考訳（メタデータ） (2026-08-03T02:49:08Z) - Eywa: Provenance-Grounded Long-Term Memory for AI Agents [0.0]
既存のメモリシステムは、情報源の証拠、抽出された事実、検索されたコンテキスト、そして応答ポリシーを1つの不透明なプロンプトパスに分解する。
私たちはEywaを紹介します。Eywaは、信念以前の証拠を中心に構築された、証明済みのメモリアーキテクチャです。
論文 参考訳（メタデータ） (2026-05-29T02:56:35Z) - MINTEval: Evaluating Memory under Multi-Target Interference in Long-Horizon Agent Systems [69.06764269022925]
本研究では,現在の記憶増強剤が現実的,干渉重大,長期的設定において果たす役割について検討する。
MINTEvalは、頻繁に更新される情報を備えた、長く高度に相互接続されたコンテキストを特徴とするベンチマークである。
MINTEvalは128.8kのトークンを平均で1インスタンスあたり1.8Mのトークンに拡張し、15.6kの質問応答ペアを持つ。
論文 参考訳（メタデータ） (2026-05-18T15:43:35Z) - A Heterogeneous Temporal Memory Governance Framework for Long-Term LLM Persona Consistency [2.447989276487424]
大規模な言語モデルは、多くの場合、事実喪失、タイムラインの混乱、ペルソナの漂流、長距離相互作用時の安定性の低下に悩まされる。
本稿では,長期対話のための外部時間記憶ガバナンスフレームワークARPMを紹介する。
我々は、ARPMが連続性をトレース可能、監査可能、転送可能なガバナンス問題として扱うことを示す。
論文 参考訳（メタデータ） (2026-05-14T13:12:49Z) - Human-Inspired Memory Architecture for LLM Agents [0.9507070656654629]
6つの認知機構からなる生体記憶アーキテクチャを提案する。
各メカニズムは、単純メモリ蓄積の特定の障害モードに対処する。
S層スケール(50セッション)では、デダップベースのコンソリデーションにより、好みのリコールが+13.3pp向上する。
論文 参考訳（メタデータ） (2026-05-08T22:52:37Z) - EviMem: Evidence-Gap-Driven Iterative Retrieval for Long-Term Conversational Memory [19.027571478872]
IRIS(Iterative Retrieval via Insufficiency Signals)とLaceMem(Layered Architecture for Conversational Evidence Memory)を組み合わせたEviMemを提案する。
LoCoMoでは、EviMemは、時間(73.3%から81.6%)とマルチホップ(65.9%から85.2%)の質問を4.5倍のレイテンシでMIRIXよりも精度を向上させる。
論文 参考訳（メタデータ） (2026-04-30T10:37:04Z) - ImplicitMemBench: Measuring Unconscious Behavioral Adaptation in Large Language Models [60.14219417402433]
LLMエージェントの既存のメモリベンチマークは、事実の明示的なリコールを評価するが、意識的な検索なしに、経験が自動的な振る舞いになる暗黙の記憶を見落としている。
IndicitMemBenchは、非宣言的メモリの標準的な認知科学のアカウントから引き出された3つの構造を通して暗黙的メモリを評価する最初の体系的なベンチマークである。
当社の300イテムスイートでは,初動採点を備えたLearning/Priming-Interfere-Testプロトコルを統一しています。
論文 参考訳（メタデータ） (2026-04-09T10:26:32Z) - 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) - 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) - Dynamic Cheatsheet: Test-Time Learning with Adaptive Memory [52.44029486173232]
Dynamic Cheatsheet(DC)は、永続的で進化するメモリを備えたブラックボックス言語モデルを提供する軽量フレームワークである。
DCは、蓄積した戦略、コードスニペット、および推論時に一般的な問題解決の洞察をモデルが保存し再利用することを可能にする。
このテストタイム学習は、明確な地味なラベルや人間のフィードバックを必要とせずに、幅広いタスクのパフォーマンスを大幅に向上させる。
論文 参考訳（メタデータ） (2025-04-10T17:57:33Z)
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。