論文の概要: PolyMemDB: A Polyglot Database System for AI Memory Management

• arxiv url: http://arxiv.org/abs/2608.25577v1
• Date: Wed, 26 Aug 2026 09:38:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.721501
• Title: PolyMemDB: A Polyglot Database System for AI Memory Management
• Title（参考訳）: PolyMemDB: AIメモリ管理のための多言語データベースシステム
• Authors: Yu Wang, Jiaheng Lu,
• Abstract要約: 本稿では,エージェントメモリ管理に適した新しいシステムであるPolyMemDBを紹介する。 グラフ、ベクトル、確率、空間時間データなど、さまざまなメモリタイプを追跡し管理するように設計された多言語ストレージアーキテクチャを備えている。 確率論的推論エンジンが特徴で、時間的減衰と半周期的な集約を統合し、長期的な事実的矛盾を解消し、詳細なデータ証明を提供する。
• 参考スコア（独自算出の注目度）: 4.509684663210397
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the widespread adoption of personal intelligent agents, users generate massive, heterogeneous data during long-term interactions. Leveraging this data as long-term memory helps reduce token overhead and deliver personalized experiences. However, existing memory systems face two primary limitations: they rely on single-storage paradigms that fragment multi-dimensional data, and they lack fine-grained data provenance to resolve long-term factual conflicts, thereby worsening LLM hallucinations. In this demonstration, we introduce PolyMemDB, a novel system tailored for managing agent memory. PolyMemDB has a polyglot storage architecture designed to track and manage various memory types, including graph, vector, probability and spatial-temporal data. To ensure factual consistency and reduce hallucinations, it features a probabilistic inference engine that integrates temporal decay with semiring aggregation, resolving long-term factual conflicts, providing detailed data provenance, and enabling users to trace reasoning chains transparently.
• Abstract（参考訳）: パーソナルインテリジェンスエージェントが広く採用されているため、ユーザは長期的なインタラクション中に大量の異種データを生成できる。 このデータを長期記憶として活用することは、トークンのオーバーヘッドを減らし、パーソナライズされたエクスペリエンスを提供するのに役立つ。 しかし、既存のメモリシステムは2つの主要な制限に直面している: それらは多次元データを断片化するシングルストレージのパラダイムに依存しており、長期的な事実の衝突を解決するための微細なデータ証明が欠けているため、LCMの幻覚は悪化する。 本稿では,エージェントメモリ管理に適した新しいシステムであるPolyMemDBを紹介する。 PolyMemDBは、グラフ、ベクトル、確率、空間時間データなど、さまざまなメモリタイプを追跡し、管理するように設計された多言語ストレージアーキテクチャである。 事実整合性の確保と幻覚の低減を目的として、時間的減衰と半周期的な集約を統合し、長期的な事実紛争を解消し、詳細なデータ証明を提供し、ユーザーは推論チェーンを透過的に追跡できる確率論的推論エンジンを備えている。

関連論文リスト

• LeanMem: Simple and Efficient Long-Term Memory for LLM Agents [21.43772050088654]
  軽量な長期記憶フレームワークであるLeanMemを提案する。 推論中、LeanMemは動的にメモリタイプを選択し、クエリ固有のエビデンス要求に従って検索予算を割り当てる。 GPT-4.1-miniとQwen3-8BのLoCoMoとLongMemEval-Sでは、LeanMemは全ての設定において最強のメモリベースベースラインよりも精度を向上させる。
  論文  参考訳（メタデータ） (2026-08-04T10:59:49Z)
• REAL: A Reasoning-Enhanced Graph Framework for Long-Term Memory Management of LLMs [17.526686616588794]
  大きな言語モデル(LLM)は、長い時間をかけてユーザーと対話することがますます期待されている。 LLMは過去のすべてのインタラクションを保持することができず、履歴情報の保存、更新、検索には長期記憶管理が不可欠である。 REALは長期会話記憶を時間的かつ信頼性に配慮したプロパティグラフとして構成する。
  論文  参考訳（メタデータ） (2026-06-09T10:53:10Z)
• 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)
• Lightweight LLM Agent Memory with Small Language Models [27.343533336242913]
  LightMemは、Small Language Models (SLM)によって駆動されるより優れたエージェントメモリのための軽量メモリシステムである。 我々は,記憶を即時会話のための短期記憶(STM),再利用可能な対話要約のための中期記憶(MTM),統合された知識のための長期記憶(LTM)に整理する。 実験の結果,LoCoMoではF1が平均2.5向上し,より効率的で中央値の低いレイテンシ(83ms検索,581msエンドツーエンド)が得られた。
  論文  参考訳（メタデータ） (2026-04-09T04:51:07Z)
• Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents [57.38404718635204]
  大規模言語モデル (LLM) エージェントは、有限コンテキストウィンドウによる長距離推論において基本的な制限に直面している。 既存のメソッドは通常、長期記憶(LTM)と短期記憶(STM)を独立したコンポーネントとして扱う。 本稿では,エージェントのポリシーに LTM と STM 管理を直接統合する統合フレームワークである Agentic Memory (AgeMem) を提案する。
  論文  参考訳（メタデータ） (2026-01-05T08:24:16Z)
• WorldMM: Dynamic Multimodal Memory Agent for Long Video Reasoning [66.24870234484668]
  我々は,複数の相補的記憶から構築・取得する,新しいマルチモーダルメモリエージェント WorldMM を紹介する。 WorldMMは5つの長いビデオ質問回答ベンチマークで既存のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-12-02T05:14:52Z)
• Agentic Learner with Grow-and-Refine Multimodal Semantic Memory [50.81667005063605]
  ViLoMemは、コンパクトなスキーマベースのメモリを構築するデュアルストリームメモリフレームワークである。 視覚的障害パターンと論理的推論エラーを符号化し、MLLMが成功し失敗した経験から学ぶことを可能にする。
  論文  参考訳（メタデータ） (2025-11-26T18:55:08Z)
• 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)
• SCM: Enhancing Large Language Model with Self-Controlled Memory Framework [54.33686574304374]
  大きな言語モデル(LLM)は、長い入力を処理できないため、重要な歴史的情報が失われる。 本稿では,LLMが長期記憶を維持し,関連する情報をリコールする能力を高めるための自己制御メモリ(SCM)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-26T07:25:31Z)

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。