論文の概要: MemoryLACE: Memory Lifecycle-Aware Consolidation and Evidence Retrieval
- arxiv url: http://arxiv.org/abs/2609.03201v1
- Date: Wed, 02 Sep 2026 22:33:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-04 18:28:38.865294
- Title: MemoryLACE: Memory Lifecycle-Aware Consolidation and Evidence Retrieval
- Title（参考訳）: MemoryLACE: メモリライフサイクルを意識した統合とエビデンス検索
- Authors: Meriem Yacoubi, Pia Schmidt, Nenad Petrovic, Ahmed Frikha, Martin Kirchhoff, Alois Knoll,
- Abstract要約: ライトウェイトなメモリフレームワークであるMemoryLACEを導入し、テキスト証拠のライフサイクルを明示的にモデル化する。
MemLACEは、現在の、歴史的、支持的、矛盾する下流の推論の証拠を暴露する関係を意識した証拠単位を再構築する。
BEAM と StructMemEval 全体では、オープンウェイトでプロプライエタリな LLM バックボーンを使用して、MemLACE は、同じバックボーンの比較において最高パフォーマンスを達成している。
- 参考スコア（独自算出の注目度）: 25.208594041928354
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Long-term LLM agents must preserve information across interactions while distinguishing repeated evidence, historical states, updates, and unresolved contradictions. Existing textual memory systems retrieve semantically relevant memories efficiently but often leave these relationships implicit, whereas richer structured approaches model them through global graphs, hierarchical abstractions, or reflection at greater complexity. We introduce MemoryLACE (MemLACE), a lightweight memory framework that explicitly models the lifecycle of textual evidence through sparse merge, supersession, and contradiction relations while preserving atomic natural-language memories and their provenance. Rather than retrieving memories independently, MemLACE reconstructs relation-aware evidence units that expose current, historical, supporting, and conflicting evidence for downstream reasoning. Across BEAM and StructMemEval, using open-weight and proprietary LLM backbones, MemLACE achieves the highest overall performance in same-backbone comparisons while reducing end-to-end runtime on BEAM by 66.6% relative to Hindsight, the strongest reported reflective-memory baseline. Ablation studies identify lifecycle expansion and temporal awareness as the principal contributors to these gains. Together, the results demonstrate that explicitly modeling the local lifecycle of textual evidence is sufficient to substantially improve long-term memory reasoning without requiring comprehensive knowledge graphs or global reflection.
- Abstract（参考訳）: 長期のLLMエージェントは、繰り返される証拠、歴史的状態、更新、未解決の矛盾を区別しながら、相互作用を通して情報を保存する必要がある。
既存のテキストメモリシステムは、意味的に関連した記憶を効率的に取り出すが、これらの関係を暗黙的に残すことが多いが、よりリッチな構造化されたアプローチは、グローバルグラフ、階層的抽象化、あるいはより複雑なリフレクションを通じてそれらをモデル化する。
メモリLACE(MemLACE)は, テキストエビデンスのライフサイクルを, テキストマージ, スーパーセッション, 矛盾関係によってモデル化し, アトミックな自然言語記憶とその証明を保存した軽量メモリフレームワークである。
メモリを独立して取り出すのではなく、MemLACEは、現在の、歴史的、支持的、矛盾する、下流の推論の証拠を暴露する関係を意識したエビデンスユニットを再構築する。
BEAM と StructMemEval 全体では、オープンウェイトでプロプライエタリな LLM バックボーンを使用して、MemLACE は、BEAM 上でのエンド・ツー・エンドのランタイムを最も高いリフレクティブメモリベースラインである Hindsight と比較して66.6%削減しながら、同じバックボーンの比較において最高パフォーマンスを達成した。
アブレーション研究は、ライフサイクルの拡大と時間的意識をこれらの利益の主因とみなしている。
その結果,テキスト証拠の局所的ライフサイクルを明示的にモデル化することは,包括的知識グラフやグローバルリフレクションを必要とせず,長期記憶推論を大幅に改善するのに十分であることが示唆された。
関連論文リスト
- 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) - 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) - MetaMem: Evolving Meta-Memory for Knowledge Utilization through Self-Reflective Symbolic Optimization [57.17751568928966]
自己進化型メタメモリでメモリシステムを拡張するフレームワークであるMetaMemを提案する。
メタメモリ最適化の間、MetaMemは異なるタスク間で伝達可能な知識利用経験を反復的に蒸留する。
大規模な実験ではMetaMemの有効性が示され、これは強いベースラインを3.6%以上上回っている。
論文 参考訳（メタデータ） (2026-01-27T04:46:23Z) - MemWeaver: Weaving Hybrid Memories for Traceable Long-Horizon Agentic Reasoning [26.119505362626338]
本稿では,長期エージェント体験を3つの相互接続コンポーネントに集約する統合メモリフレームワークを提案する。
MemWeaverは、構造化された知識を共同で検索し、エビデンスをサポートし、コンパクトで情報密度の高いコンテキストを構築するデュアルチャネル検索戦略を採用している。
論文 参考訳（メタデータ） (2026-01-26T06:39:27Z) - Structured Episodic Event Memory [37.643537420763344]
本研究では,リレーショナル事実のためのグラフメモリ層と,物語進行のための動的エピソディックメモリ層を相乗化する階層型フレームワークである構造化エピソディックイベントメモリ(SEEM)を提案する。
LoCoMoとLongMemEvalのベンチマーク実験の結果、SEEMはベースラインを大幅に上回ることが示された。
論文 参考訳（メタデータ） (2026-01-10T03:17:25Z) - CogMem: A Cognitive Memory Architecture for Sustained Multi-Turn Reasoning in Large Language Models [21.427373172124167]
大規模言語モデル(LLM)はシングルターン推論では優れているが、拡張されたマルチターン相互作用よりも精度とコヒーレンスを失うことが多い。
メモリ拡張型LLMアーキテクチャであるCogMemを導入する。
TurnBenchの実験では、この階層化された設計は推論の失敗を軽減し、コンテキストの成長を制御し、拡張された推論チェーン間の一貫性を改善する。
論文 参考訳（メタデータ） (2025-12-16T06:01:08Z) - 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) - CAM: A Constructivist View of Agentic Memory for LLM-Based Reading Comprehension [55.29309306566238]
現在のLarge Language Models (LLM) は、長文文書を解釈する際に圧倒的な情報量に直面している。
この課題は、バニラLSMを自律的な読み出しエージェントに高めることができる凝集性メモリモジュールの必須性を高める。
我々はジャン・ピアジェの構成主義理論(Constructivist Theory)からインスピレーションを得て、エージェントメモリの3つの特性(構造化スキーマ、フレキシブルな同化、動的調節)を表現した。
論文 参考訳（メタデータ） (2025-10-07T02:16:30Z) - MemOS: A Memory OS for AI System [116.87568350346537]
大規模言語モデル(LLM)は、人工知能(AGI)にとって不可欠な基盤となっている。
既存のモデルは、主に静的パラメータと短命なコンテキスト状態に依存しており、ユーザの好みを追跡したり、長い期間にわたって知識を更新する能力を制限する。
MemOSはメモリを管理可能なシステムリソースとして扱うメモリオペレーティングシステムである。
論文 参考訳（メタデータ） (2025-07-04T17:21:46Z)
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。