論文の概要: Entity-Memory Graph Retrieval Improves Evidence Coverage in Long-Conversation Question Answering

• arxiv url: http://arxiv.org/abs/2608.27925v1
• Date: Fri, 28 Aug 2026 05:03:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.208707
• Title: Entity-Memory Graph Retrieval Improves Evidence Coverage in Long-Conversation Question Answering
• Title（参考訳）: Entity-Memory Graph Retrievalは、長期会話質問応答におけるエビデンスカバレッジを改善する
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Entity-Memory graph retrieval keeps dialogue turns as verbatim Memory nodes, links repeated mentions through shared Entities, and connects adjacent Memories with directed chronological edges. At query time the retriever moves from Entity gating through semantic fusion and one-hop chronological recovery to dense backfill. The path can keep a neighboring Memory that dense cosine ranking would otherwise omit. A matched dense control shares the Memory and query vectors, context budget, requested answer protocol, and evaluator, isolating graph structure from changes to the reader. On 1,986 questions from ten LoCoMo conversations, graph retrieval raises official evidence recall at top-k 25 from 79.7468% to 84.4842%. The recall advantage is supported from top-k 5 to 50, while no matched cutoff supports an overall final-answer F1 difference. Four paper-eligible requested configurations support empirical robustness across the tested GPT-3.5 and DeepSeek extractors on both outcomes. Embedding robustness is mixed: F1 has no supported contrast, but recall is sensitive to the embedding artifact. The comparison isolates a retrieval-coverage gain from graph structure. It does not establish a final-answer F1 gain, model or embedding equivalence, or cross-dataset generalization.
• Abstract（参考訳）: エンティティメモリグラフ検索は、対話を冗長なメモリノードとして保持し、共有エンティティを通じて繰り返し言及をリンクし、隣のMemoriesを向き付けられた時系列エッジで接続する。 クエリ時に、リトリバーはエンティティゲーティングからセマンティックフュージョンとワンホップ時間回復を経て、密集したバックフィルに移動する。 このパスは、濃密なコサインランクが省略されるような隣のメモリを保持することができる。 一致した高密度制御は、メモリとクエリベクタ、コンテキスト予算、要求された応答プロトコル、および評価器を共有し、グラフ構造をリーダから分離する。 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。 リコールの利点はトップk5から50までサポートされ、マッチしたカットオフが全体の最終回答F1差をサポートすることはない。 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。 F1はコントラストをサポートしていないが、リコールは埋め込みアーティファクトに敏感である。 比較は、グラフ構造から検索被覆ゲインを分離する。 最終回答 F1 ゲイン、モデルまたは埋め込み同値、あるいはクロスデータセットの一般化を確立しない。

関連論文リスト

• When Users Don't Ask: Benchmarking Context-Driven Memory Retrieval in Conversational Agents [21.60115070942764]
  LOCOMO-CONVは、Lo-CoMoから派生したメモリベンチマークで、ダイアログ、暗黙、偽造、合成の4つのスタイルを持つ。 5つの反感的メモリシステムにおいて,検索リコールとエンドツーエンドの応答等性の評価を行った。
  論文  参考訳（メタデータ） (2026-09-03T07:24:33Z)
• AWM: Answerable Working Memory for Long-Document VQA Agents [57.741922050360074]
  ワーキングメモリは、後に根拠づけられた回答のために、ページ検査全体にわたって回答を支持するエビデンスを実行するべきである。 本稿では,読取者が質問に答えられるか,端末の作業メモリだけで答えられるか,という診断手法である,メモリオンリーの回答可能性について紹介する。 AWM-GRPOは、テキストscMMLongBench-DocとtextscLongDocURLでRAGベースラインに対する最終回答精度を8.1および1.9ポイント改善し、応答のみのGRPOよりもメモリ損失補正率を2.7ポイント削減する。
  論文  参考訳（メタデータ） (2026-08-26T10:35:25Z)
• 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)
• MemoryLake on MemoryArena: A Matched Study of Agent Memory Backends [8.130461324371604]
  MemoryLakeをMem0、text-embedding-3-small vector RAG、および5つのMemoryArenaドメインの長いコンテキスト制御と比較する。 各バックエンドバンドルは書き込み、検索、統合、予算設定、迅速な組立選択を行うため、この研究は一致したシステムレベルの比較である。
  論文  参考訳（メタデータ） (2026-08-14T02:19:26Z)
• RippleMem: From Isolated Retrieval to Associative Recollection for Long-Term Agent Memory [13.519130680921565]
  本稿では,長期記憶システムであるRippleMemを紹介する。 LoCoMoとLongMemEval-Sは、RippleMemが評価された設定全体で最高の全体的なパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2026-08-13T15:05:01Z)
• 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)
• Echo-Memory: A Controlled Study of Memory in Action World Models [58.77172260403133]
  本研究では,行動条件付き世界モデルにおける記憶機構の制御に関する研究を行う。 既存のメモリ設計と比較するのは難しいのは、ゲインにはバックボーン、トレーニング、検索、評価の違いが絡み合っているからである。 我々はEcho-Memoryを使ってアクション・ツー・ビデオのインタフェースを修正し、生成元によって履歴が保存され読み込まれるかだけを変える。
  論文  参考訳（メタデータ） (2026-06-08T17:54:10Z)
• 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)
• Semantic-Aware Adaptive Visual Memory for Streaming Video Understanding [55.7992006853979]
  SAVEMemは、セマンティックな認識をメモリ生成にもたらすフレームワークで、クエリ毎に検索スコープを適応させる。 SAVEMemは、メモリ生成にセマンティックな認識をもたらし、クエリ毎に検索範囲を適応させる、トレーニングフリーのデュアルステージフレームワークである。
  論文  参考訳（メタデータ） (2026-05-08T15:40:40Z)
• HiGMem: A Hierarchical and LLM-Guided Memory System for Long-Term Conversational Agents [9.454943641700392]
  HiGMemは2段階のイベントターンメモリシステムで、イベントサマリーをセマンティックアンカーとして使用して、どのターンが読む価値があるかを予測している。 LoCoMo10ベンチマークでは、HiGMemは5つの質問カテゴリのうち4つで最高のF1を達成し、A-Memよりも逆F1を0.54から0.78に改善した。
  論文  参考訳（メタデータ） (2026-04-20T14:44:12Z)
• GAAMA: Graph Augmented Associative Memory for Agents [0.0]
  GAAMAは、概念を介する階層的知識グラフを構成するグラフ拡張連想記憶システムである。 LoCoMo-10ベンチマーク(10のマルチセッション会話で1,540の質問)では、GAAMAは78.9%の平均報酬を獲得し、調整されたRAGベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-03-29T23:33:38Z)
• 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)

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。