論文の概要: Selective Forgetting: A Graph-Based Memory Framework for Long-Term LLM Agents
- arxiv url: http://arxiv.org/abs/2608.28978v1
- Date: Sat, 29 Aug 2026 01:11:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.800821
- Title: Selective Forgetting: A Graph-Based Memory Framework for Long-Term LLM Agents
- Title（参考訳）: Selective Forgetting: 長期LLMエージェントのためのグラフベースのメモリフレームワーク
- Abstract要約: 我々のフレームワークは,各会話のターンをタイプノードと属性エッジに抽出する。
2ホップのサブグラフから質問に回答し、リクライド、アクセス頻度、度重心、年齢の重み付けの組み合わせで低いスコアのノードを定期的にプーンする。
抽出器は1つのベンチマークで評価された1つの小さなモデルであるため、これらの結果は一般にグラフ構造化メモリではなく、この抽出に基づくパイプラインを特徴付ける。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Knowledge graphs have been proposed as a structured alternative to flat retrieval-augmented generation for long-term agent memory, on the assumption that representing conversations as entities and relations improves recall. We evaluate that assumption directly. Our framework extracts each conversational turn into typed nodes and attributed edges, answers questions from a two-hop subgraph, and periodically prunes nodes that score low on a weighted combination of recency, access frequency, degree centrality, and age. On LongMemEval, the graph does not outperform a flat vector baseline at a matched candidate-generation budget of five retrieval roots: token F1 is $0.417$ against $0.468$, and a paired bootstrap over 500 questions gives $Δ= -0.050$ (95\% CI $[-0.085, -0.016]$). The gap is widest on questions that require recalling a specific prior assistant turn, where judged correctness falls from $0.911$ to $0.607$, suggesting that decomposing a turn into entities discards the surface form these questions depend on. The forgetting module is more successful. Applied once to a persistent 27{,}021-node graph, it removes 9.8\% of nodes and 9.5\% of stored bytes; token F1 is unchanged ($+0.001$, 95\% CI $[-0.015, +0.016]$) and judged correctness falls by $1.6$ points, with the 95\% interval bounding any loss at $3.8$ points ($[-0.038, +0.006]$). Because our extractor is a single small model evaluated on one benchmark, these results characterise this extraction-based pipeline rather than graph-structured memory in general. Code: https://github.com/skhanzad/Selective-Amnesia
- Abstract（参考訳）: 知識グラフは、エンティティやリレーションとして会話を表現することによってリコールを改善するという仮定に基づいて、長期エージェントメモリに対するフラットな検索強化生成の代替として提案されている。
私たちはその仮定を直接評価する。
本フレームワークは,各会話をタイプしたノードと属性付きエッジに抽出し,2ホップのサブグラフから質問に回答する。
LongMemEvalでは、トークンF1が0.417$対0.468$、500以上のペアブートストラップが$Δ=-0.050$(95\% CI $[-0.085, -0.016]$)である。
このギャップは、判断された正しさが0.911$から0.607$に落ちるような、特定の前のアシスタントターンをリコールする必要のある質問で最多であり、ターンをエンティティに分解することで、これらの質問が依存する表面形を破棄することを示している。
忘れるモジュールはより成功します。
トークン F1 は、+0.001$, 95\% CI $[-0.015, +0.016]$) であり、判定された正しさは、1.6$ポイントで、95\%間隔は、損失を3.8$ポイント(-0.038, +0.006]$)で制限する。
抽出器は1つのベンチマークで評価された1つの小さなモデルであるため、これらの結果は一般にグラフ構造化メモリではなく、この抽出に基づくパイプラインを特徴付ける。
コード:https://github.com/skhanzad/Selective-Amnesia
関連論文リスト
- misi: a Metric Inverted Sample Index [0.0]
mii は一般距離空間上の近似近傍探索のための逆インデックスである。
それぞれのオブジェクトは、$k_b$の最も近いサンプルポイントで表現され、サンプル上のプラグ可能なインナーインデックスによって見つかる。
クエリはidf-weighted shared-neighborの投票によって回答され、続いて$C$の候補の正確な検証が行われる。
論文 参考訳（メタデータ） (2026-08-27T17:48:22Z) - When Should Graph Attention Be Sparse? Learning a Per-Edge Tsallis Index [0.0]
textbfLearnable textbfTsallis textbfGraph textbfAttention, which Tsallis entropic index $q$ is learned with the weights。
検証調整した冷凍グリッドは、61.4%$、チューニングされた$-entmax 6,2.2%$、キャパシティマッチングされた$q!equiv!1$コントロール62.0%$、および61.7%$に達する。
論文 参考訳（メタデータ） (2026-08-03T22:51:49Z) - KG-Guard: Graph-Based Hallucination Detection for Knowledge Base Question Answering [3.765096298134585]
大きな言語モデル (LLM) は知識ベース質問応答 (KBQA) にますます使われている。
LLMはタスク間で幻覚することが知られており、KBQAは例外ではない。
KBQAにおける検出を応答ノード分類問題として定式化し,軽量なグラフベースフレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-29T20:11:41Z) - Scaling Laws for Agent Harnesses via Effective Feedback Compute [53.68149869349268]
emphEffective Feedback Compute (EFC)は、情報的、有効、非冗長な場合にのみフィードバックを信用し、その後の決定のために保持するトレースレベルのスケーリング座標である。
EFCベースの座標は、生の計算ベースラインよりも失敗率を常に予測する。
論文 参考訳（メタデータ） (2026-05-28T09:45:47Z) - GAAMA: Graph Augmented Associative Memory for Agents [0.0]
GAAMAは、概念を介する階層的知識グラフを構成するグラフ拡張連想記憶システムである。
LoCoMo-10ベンチマーク(10のマルチセッション会話で1,540の質問)では、GAAMAは78.9%の平均報酬を獲得し、調整されたRAGベースラインを上回っている。
論文 参考訳（メタデータ） (2026-03-29T23:33:38Z) - Causal Concept Graphs in LLM Latent Space for Stepwise Reasoning [0.0]
Causal Concept Graphs (CCG): スパースで解釈可能な潜在機能に関する非巡回グラフ。
タスク条件付きスパースオートエンコーダとDAGMAスタイルの微分可能な構造学習を組み合わせたグラフ復元を行う。
論文 参考訳（メタデータ） (2026-03-11T03:46:38Z) - Detection of Dense Subhypergraphs by Low-Degree Polynomials [72.4451045270967]
ランダムグラフにおける植込み高密度部分グラフの検出は、基本的な統計的および計算上の問題である。
我々は、$Gr(n, n-beta)ハイパーグラフにおいて、植えた$Gr(ngamma, n-alpha)$ subhypergraphの存在を検出することを検討する。
平均値の減少に基づく硬さが不明な微妙な対数密度構造を考えると,この結果はグラフの場合$r=2$で既に新しくなっている。
論文 参考訳（メタデータ） (2023-04-17T10:38:08Z) - On the Interplay Between Misspecification and Sub-optimality Gap in
Linear Contextual Bandits [76.2262680277608]
本研究では,線形関数クラスによって期待される報酬関数を近似できるような,不特定条件下での線形文脈帯域について検討する。
このアルゴリズムは, 対数的因子に比例した設定において, ギャップ依存の残差が$tilde O (d2/Delta)$と同じであることを示す。
論文 参考訳（メタデータ） (2023-03-16T15:24:29Z) - On the Unlikelihood of D-Separation [69.62839677485087]
解析的な証拠として、大きなグラフ上では、d-分離は存在が保証されたとしても珍しい現象である。
PCアルゴリズムでは、その最悪ケース保証がスパースグラフで失敗することが知られているが、平均ケースでも同じことが言える。
UniformSGSでは、既存のエッジに対してランニング時間が指数的であることが知られているが、平均的な場合、それは既存のほとんどのエッジにおいても期待されるランニング時間であることを示す。
論文 参考訳（メタデータ） (2023-03-10T00:11:18Z) - Collaborative likelihood-ratio estimation over graphs [55.98760097296213]
グラフに基づく相対的制約のない最小二乗重要度フィッティング(GRULSIF)
我々はこの考え方を、グラフベースの相対的非制約最小二乗重要度フィッティング(GRULSIF)と呼ばれる具体的な非パラメトリック手法で開発する。
我々は、ノード当たりの観測回数、グラフのサイズ、およびグラフ構造がタスク間の類似性をどの程度正確にエンコードしているかといった変数が果たす役割を強調する、協調的なアプローチの収束率を導出する。
論文 参考訳（メタデータ） (2022-05-28T15:37:03Z) - Node Feature Extraction by Self-Supervised Multi-scale Neighborhood
Prediction [123.20238648121445]
我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。
GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。
我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
論文 参考訳（メタデータ） (2021-10-29T19:55:12Z) - Random Subgraph Detection Using Queries [29.192695995340653]
植込み高密度部分グラフ検出問題は、与えられた(ランダム)グラフに異常に密度の高い部分グラフが存在するかどうかをテストするタスクを指す。
本稿では,適応的なエッジクエリを用いてグラフの比較的小さな部分のみを観測できる,上記の問題の自然な変形について考察する。
このモデルでは,植込み部分グラフの存在を検出するのに必要なクエリ数と十分なクエリ数(準多項式最適アルゴリズムを伴う)を決定する。
論文 参考訳（メタデータ） (2021-10-02T07:41:17Z) - Nearly Horizon-Free Offline Reinforcement Learning [97.36751930393245]
S$状態、$A$アクション、計画的地平$H$で、エピソードな時間同質なMarkov決定プロセスに関するオフライン強化学習を再考する。
経験的MDPを用いた評価と計画のための,約$H$自由なサンプル複雑性境界の最初の集合を得る。
論文 参考訳（メタデータ） (2021-03-25T18:52:17Z)
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。