論文の概要: MEMONDEMAND: A Memory Management System for Large-Scale Enterprise Data
- arxiv url: http://arxiv.org/abs/2608.22141v1
- Date: Sat, 22 Aug 2026 23:54:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 18:24:36.949254
- Title: MEMONDEMAND: A Memory Management System for Large-Scale Enterprise Data
- Title（参考訳）: MEMONDEMAND:大規模エンタープライズデータのためのメモリ管理システム
- Abstract要約: 本稿では,大規模エンタープライズリポジトリのためのメモリ管理システムMEMONDEMANDを紹介する。
EnterpriseRAG-Benchでは、MEMONDEMANDは評価されたすべてのスケールで最も強力なLB#1結果を上回っている。
FinanceBench、HotpotQA、FRAMESの結果はさらに、財務、マルチホップ、ファクトレトリヴァル設定全体で高いパフォーマンスを示している。
- 参考スコア（独自算出の注目度）: 6.296007829388766
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Enterprise repositories are large, heteroge- neous, and continuously updated, making re- trieval difficult when efficient access, source- faithful evidence, and cross-query adaptation must be supported together. Enterprise mem- ory extends retrieval beyond the model con- text, but existing systems do not jointly address collection-specific hierarchy construction, low- cost routing, detailed evidence loading, and workload-aware memory updates at this scale. We introduce MEMONDEMAND, short for On- Demand Memory, a memory management sys- tem with three coordinated mechanisms: a dy- namic multi-level hierarchy that determines the abstraction structure and depth for each col- lection, dual memory at every hierarchy level that separates distilled routing from detailed evidence, and on-demand memory promotion that updates node priority under a bounded active-state budget. On EnterpriseRAG-Bench, MEMONDEMAND outperforms the strongest published LB#1 result at every evaluated scale from 10M tokens through the complete 618M- token collection, with gains of 12.23% at 10M and 4.66% at 618M. Results on FinanceBench, HotpotQA, and FRAMES further show strong performance across financial, multi-hop, and fact-retrieval settings. Together, these results establish MEMONDEMAND as an accurate, ef- ficient, and scalable memory solution for very large enterprise repositories across data scales, domains, and evidence requirements. Our code is available at https://github.com/ xfab-xinyuansong/MemOnDemand.git.
- Abstract（参考訳）: エンタープライズリポジトリは、大きく、ヘテロジ-ネオスであり、継続的に更新されるため、効率的なアクセス、ソース忠実なエビデンス、クエリ間の適応を一緒にサポートしなければなりません。
エンタープライズmem-oryは、コンテキストモデルを超えて検索を拡張するが、既存のシステムは、コレクション固有の階層構造、低コストなルーティング、詳細なエビデンス読み込み、このスケールでのワークロード対応メモリ更新に共同で対処しない。
本稿では,3つの協調機構を持つメモリ管理サイス・テムであるMEMONDEMANDについて紹介する。ダイ・ナミック・マルチレベル階層は,各コリクションの抽象化構造と深さを決定する。
EnterpriseRAG-Benchでは、MEMONDEMANDは10Mトークンから618Mトークンの収集を通じて、評価されたすべてのスケールで最強のLB#1を上回り、12.23%が10Mで、4.66%が618Mで上昇した。
FinanceBench、HotpotQA、FRAMESの結果はさらに、財務、マルチホップ、ファクトレトリヴァル設定全体で高いパフォーマンスを示している。
これらの結果によって、MEMONDEMANDは、データスケール、ドメイン、エビデンス要件を越えて、非常に大規模なエンタープライズリポジトリに対して、正確で、効率的で、スケーラブルなメモリソリューションとして確立されます。
私たちのコードはhttps://github.com/xfab-xinyuansong/MemOnDemand.gitで利用可能です。
関連論文リスト
- GraphMemix: Query-Aware Evidence Forests for Long-Term Multimodal Agent Memory [87.58855368314693]
メモリ構造をクエリ対応エビデンス・フォレスト構築としてモデル化するグラフメモリフレームワークであるGraphMemixを提案する。
4つの長期マルチモーダルメモリベンチマークの実験結果から,異なる基礎モデルによる大幅な改善が示された。
論文 参考訳（メタデータ） (2026-08-27T11:28:49Z) - 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) - Are We Ready For An Agent-Native Memory System? [37.760278978612874]
大規模言語モデル(LLM)エージェントのメモリは、単純な検索拡張機構からデータ管理システムへと進化してきた。
既存の評価は、主にエンドツーエンドのタスク成功メトリクスを通じてエージェントメモリをベンチマークする。
データ管理の観点からエージェントメモリの系統的研究を行った。
論文 参考訳（メタデータ） (2026-06-23T16:34:55Z) - MeMo: Memory as a Model [96.54179792557863]
大規模言語モデル(LLM)は、幅広いタスクにわたって強力なパフォーマンスを達成するが、その後の更新まで事前訓練後に凍結される。
MeMoは、LLMパラメータを変更せずに、新しい知識を専用のメモリモデルにエンコードするモジュラーフレームワークである。
MeMoは、さまざまな設定にまたがる既存のメソッドと比較して、強力なパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-05-14T17:51:34Z) - Choosing How to Remember: Adaptive Memory Structures for LLM Agents [43.27579458682491]
メモリは、大きな言語モデル(LLM)ベースのエージェントが長い水平相互作用に対するコヒーレントな振舞いを維持するために重要である。
LLMエージェントに適応的なメモリ構成を可能にする統合フレームワークFluxMemを提案する。
PERSONAMEMとLoCoMoの2つのロングホライゾンベンチマーク実験により,本手法が平均改善率9.18%と6.14%を達成することを示した。
論文 参考訳（メタデータ） (2026-02-15T07:56:24Z) - LLM-based Multi-Agent Blackboard System for Information Discovery in Data Science [69.1690891731311]
従来のAIモデルのためのブラックボードアーキテクチャに着想を得た,新しいマルチエージェント通信パラダイムを提案する。
このフレームワークでは、中央エージェントが共有ブラックボードにリクエストをポストし、自律的な従属エージェントがその能力に基づいて応答する。
明示的なデータ発見を必要とする3つのベンチマークに対して,本手法の評価を行った。
論文 参考訳（メタデータ） (2025-09-30T22:34:23Z) - Memory-R1: Enhancing Large Language Model Agents to Manage and Utilize Memories via Reinforcement Learning [89.55738101744657]
大規模言語モデル(LLM)は、幅広いNLPタスクで印象的な機能を示しているが、基本的にはステートレスである。
本稿では,LLMに外部メモリを積極的に管理・活用する機能を備えた強化学習フレームワークであるMemory-R1を提案する。
論文 参考訳（メタデータ） (2025-08-27T12:26:55Z) - 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) - G-Memory: Tracing Hierarchical Memory for Multi-Agent Systems [44.844636264484905]
大規模言語モデル (LLM) を利用したマルチエージェントシステム (MAS) は、単一のLLMエージェントよりもはるかに高い認知と実行能力を示している。
組織記憶理論に触発されたMASのための階層型エージェントメモリシステムG-Memoryを紹介する。
Gメモリは、インボディードアクションの成功率と知識QAの精度を、それぞれ20.89%$と10.12%$で改善する。
論文 参考訳（メタデータ） (2025-06-09T03:43:46Z) - Mem0: Building Production-Ready AI Agents with Scalable Long-Term Memory [0.5584627289325719]
大規模言語モデル(LLM)は、文脈的に一貫性のある応答を生成する際、顕著な進歩を示した。
しかし、それらの固定されたコンテキストウィンドウは、長時間のマルチセッション対話に対する一貫性を維持するための根本的な課題を生じさせる。
私たちはMem0というスケーラブルなメモリ中心アーキテクチャを導入し、進行中の会話から健全な情報を動的に抽出し、統合し、取得することでこの問題に対処します。
論文 参考訳（メタデータ） (2025-04-28T01:46:35Z)
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。