論文の概要: The Retriever Should Remember: Experience-Amortized Reranking for Long-Term Agent Memory
- arxiv url: http://arxiv.org/abs/2608.22767v1
- Date: Mon, 24 Aug 2026 03:42:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:43.881673
- Title: The Retriever Should Remember: Experience-Amortized Reranking for Long-Term Agent Memory
- Title（参考訳）: Retrieverを思い出す: 長期のエージェントの記憶を記憶するために、経験に則ったリグレード
- Abstract要約: 我々は、以前取得した妥当性スコアを再利用可能な検索エクスペリエンスとして扱う、経験適応型リグレードフレームワークであるEARMを紹介する。
EARMは、スパースクエリ-メモリ関連スコアをオンラインマトリックスに格納し、因果行列の補完を通じて共有構造を学習し、新たに観測されたスコアの小さなセットと推定スコアを組み合わせて、残りの候補を再ランクする。
長期会話記憶の実験では、観察と推定の混合がセマンティック検索よりも解の精度を最大6.62%向上させることが示された。
- 参考スコア（独自算出の注目度）: 29.20695058395373
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Long-term language-model agents accumulate memories across interactions, but their retrievers typically do not accumulate retrieval experience. Semantic retrieval is efficient, but embedding similarity does not always reflect whether a memory contains evidence relevant to the current query. Large language model (LLM) rerankers provide stronger query-conditioned relevance scores, yet stateless reranking repeatedly scores a large candidate pool and discards these scores after each query. We introduce EARM, an experience-amortized reranking framework that treats previously acquired LLM relevance scores as reusable retrieval experience. EARM stores sparse query--memory relevance scores in an online matrix, learns their shared structure through causal matrix completion, and combines a small set of newly observed scores with estimated scores to rerank the remaining candidates. The scoring budget decreases as experience accumulates, changing LLM reranking from a repeated per-query expense into a retrieval capability learned over an agent's lifetime. Experiments on long-term conversational memory show that mixed observed-and-estimated reranking improves answer accuracy over semantic retrieval by up to 6.62% and remains effective when only 17.5% of candidates receive direct LLM relevance scores, thereby substantially reducing the inference overhead of LLM reranking. These results motivate a broader view of agent memory: a long-lived agent should remember not only past content, but also how that content has proved useful for retrieval.
- Abstract（参考訳）: 長期の言語モデルエージェントは、相互作用にまたがる記憶を蓄積するが、レトリバーは通常、検索経験を蓄積しない。
セマンティック検索は効率的であるが、メモリに現在のクエリに関連するエビデンスが含まれているかどうかを常に反映しているわけではない。
大規模言語モデル(LLM)のリランカは、より強力なクエリ条件の関連スコアを提供するが、ステートレスなリランクは、大きな候補プールを何度もスコアし、クエリの後にこれらのスコアを破棄する。
我々は、以前買収されたLLM関連スコアを再利用可能な検索エクスペリエンスとして扱う、経験適応型リグレードフレームワークであるEARMを紹介する。
EARMは、スパースクエリ-メモリ関連スコアをオンラインマトリックスに格納し、因果行列の補完を通じて共有構造を学習し、新たに観測されたスコアの小さなセットと推定スコアを組み合わせて、残りの候補を再ランクする。
評価予算は、経験が蓄積するにつれて減少し、LCMは反復的なクエリ毎の費用からエージェントの生涯にわたって学習された検索能力に再ランクされる。
長期の会話記憶実験により、混合された再評価は、意味検索よりも解答精度を最大6.62%向上し、17.5%の候補者が直接LLM関連スコアを受け取った場合に有効であることを示し、LLM再評価の推論オーバーヘッドを大幅に低減した。
これらの結果は、エージェント記憶のより広い見方を動機付けている。長期間のエージェントは、過去のコンテンツだけでなく、そのコンテンツが検索にどのように有用であるかを記憶すべきである。
関連論文リスト
- CABLE: Extending the Reach of Memory Retrieval via Complementary Antecedent-Based Linking and Expansion [21.692254412768936]
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。
論文 参考訳（メタデータ） (2026-08-18T15:40:29Z) - Exploratory and Assimilating Reflection: Reflective Recall Cycle for Long-term Memory [3.9297698032556596]
LLMベースの自律エージェントは、ステートレス性と限られたコンテキストウィンドウを克服するために外部メモリを必要とする。
本研究では,探索・近似反射法(EAR)を提案する。
論文 参考訳（メタデータ） (2026-07-20T12:30:17Z) - LazyMem: Retrieve Broadly, Construct Selectively for Efficient Long-Term Agent Memory [10.916121108457537]
クエリ時間にすべてのメモリ構成を遅延させるLazyMemを紹介します。
LongMemEvalでは、LazyMem-4B は LLM-judge の精度 0.85 を達成し、最強の非線形ベースラインを上回っている。
さらに、ターゲットドメイントレーニングなしでLoCoMoに一般化し、以前のクエリ時間ベースラインと比較して平均レイテンシを低減する。
論文 参考訳（メタデータ） (2026-07-17T12:49:57Z) - 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) - MEMPROBE: Probing Long-Term Agent Memory via Hidden User-State Recovery [58.64329475683699]
我々は、長期記憶は監査可能な相互作用後のアーティファクトとして評価されるべきであると主張している。
我々は、メモリを備えたエージェントがシミュレーションユーザを支援するベンチマークであるMEMPROBEで、このビューをインスタンス化する。
私たちは、成功したアシストと回復可能なメモリが、異なる機能として振る舞うことに気付きました。
論文 参考訳（メタデータ） (2026-06-23T13:52:46Z) - Thinking Ahead: Prospection-Guided Retrieval of Memory with Language Models [10.094292900770261]
ロングホライゾンのパーソナライズには、対話履歴からユーザ固有の事実を検索する対話アシスタントが必要である。
実際には、多くの関連する事実は、密集した検索条件下でのクエリと意味的相似性が低いことが多い。
本稿では,記憶の保存方法から検索を分離するPGR(Prospection-Guided Retrieval)を提案する。
論文 参考訳（メタデータ） (2026-05-13T22:57:54Z) - 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) - Evo-Memory: Benchmarking LLM Agent Test-time Learning with Self-Evolving Memory [89.65731902036669]
Evo-Memoryは、大規模言語モデル(LLM)エージェントで自己進化型メモリを評価するための、ストリーミングベンチマークとフレームワークである。
10以上の代表的なメモリモジュールを評価し、10種類の多ターンゴール指向およびシングルターン推論およびQAデータセットで評価した。
論文 参考訳（メタデータ） (2025-11-25T21:08:07Z) - FIRST: Faster Improved Listwise Reranking with Single Token Decoding [56.727761901751194]
まず、第1生成識別子の出力ロジットを活用して、候補のランク付け順序を直接取得する新しいリストワイズLLMリグレードアプローチであるFIRSTを紹介する。
実験結果から、BEIRベンチマークの利得により、FIRSTはロバストなランキング性能を維持しつつ、推論を50%高速化することが示された。
以上の結果から,LLMリランカーはクロスエンコーダに比べて強い蒸留信号を提供できることが示唆された。
論文 参考訳（メタデータ） (2024-06-21T21:27:50Z) - ReFIT: Relevance Feedback from a Reranker during Inference [109.33278799999582]
Retrieve-and-Rerankは、ニューラル情報検索の一般的なフレームワークである。
本稿では,リランカを利用してリコールを改善する手法を提案する。
論文 参考訳（メタデータ） (2023-05-19T15:30:33Z)
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。