論文の概要: RuleMem: Active Rule Memory for Long-Term Conversational Agents

• arxiv url: http://arxiv.org/abs/2609.03915v1
• Date: Thu, 03 Sep 2026 14:30:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:39.105048
• Title: RuleMem: Active Rule Memory for Long-Term Conversational Agents
• Title（参考訳）: RuleMem: 長期会話エージェントのためのアクティブなルールメモリ
• Abstract要約: RuleMemは、歴史的相互作用から再利用可能な論理ルールを誘導し、エビデンス検索と推論の両方を導くルールベースのメモリフレームワークである。 具体的には、RuleMemは会話から自然言語のHhorn節を構築し、Rule Perplexity Consistency(RPC)メカニズムを介して検証する。 LoCoMoの14基に対して厳密な比較を行った結果、ルールMemは最高精度を達成し、ベースライン平均を27.47ポイント上回った。
• 参考スコア（独自算出の注目度）: 32.519890999900426
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Question answering agents in long-term conversations must reason over massive, temporally dispersed dialogue histories. However, existing memory mechanisms primarily treat past information as \textit{passively} stored facts, leading to semantic gaps and unreliable reasoning. To address this limitation, we propose RuleMem, a rule-based memory framework that induces reusable logical rules from historical interactions to \textit{actively} guide both evidence retrieval and reasoning. Specifically, RuleMem constructs natural-language Horn clauses from conversations and validates them via a Rule Perplexity Consistency (RPC) mechanism. These induced rules enable the retrieval of semantically distant evidence while providing an explicit logical structure for answer generation. We conducted a comprehensive evaluation of RuleMem on two long-term conversational benchmarks, LoCoMo and LongMemEval_s*. In a rigorous comparison against 14 baselines on LoCoMo, RuleMem achieved the highest accuracy, exceeding the baseline average by 27.47 points (a 54.3% relative improvement).
• Abstract（参考訳）: 長期会話における質問応答エージェントは、大規模で時間的に分散した対話履歴を推論しなければならない。 しかし、既存のメモリメカニズムは、主に過去の情報を‘textit{passively}ストアドファクトとして扱い、セマンティックなギャップと信頼できない推論をもたらす。 この制限に対処するため、ルールベースのメモリフレームワークであるRe RuleMemを提案する。これは歴史的相互作用から再利用可能な論理ルールを誘導し、エビデンス検索と推論の両方をガイドする。 具体的には、RuleMemは会話から自然言語のHhorn節を構築し、Rule Perplexity Consistency(RPC)メカニズムを介して検証する。 これらの帰納規則により、意味論的に離れた証拠の検索が可能となり、回答生成のための明確な論理構造が提供される。 LoCoMoとLongMemEval_s*の2つの長期会話ベンチマーク上で,ルールMemの総合評価を行った。 LoCoMo上の14のベースラインと厳密な比較で、ルールMemは最高精度を達成し、ベースライン平均を27.47ポイント(54.3%の相対的な改善)を超えた。

関連論文リスト

• 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)
• 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)
• MemGuard: Preventing Memory Contamination in Long-Term Memory-Augmented Large Language Models [56.31411457917676]
  本稿では,メモリ構築と検索において,機能的メモリ境界を保存するタイプアウェアメモリフレームワークであるMemGuardを紹介する。 幻覚と長期会話のベンチマーク全体で、MemGuardはメモリの信頼性を最大28.27%向上し、メモリトークンは以前の方法より5.8倍少ない。
  論文  参考訳（メタデータ） (2026-05-27T06:04:19Z)
• Rethinking How to Remember: Beyond Atomic Facts in Lifelong LLM Agent Memory [88.81430082035617]
  LLMエージェントは、蓄積された対話履歴を忠実に保存し、効率的に検索し、深く推論できるメモリシステムを必要とする。 本稿では,ソース識別子に固定された生の対話セグメントを含む3つの共存表現の粒度を格納するTriMemを提案する。
  論文  参考訳（メタデータ） (2026-05-19T15:05:06Z)
• Goal-Oriented Reasoning for RAG-based Memory in Conversational Agentic LLM Systems [20.461904943047468]
  Goal-Memは、RAGベースのエージェントメモリのためのゴール指向の推論フレームワークである。 Goal-Memはマルチホップ推論と暗黙推論を必要とするタスクのパフォーマンスを一貫して改善する。
  論文  参考訳（メタデータ） (2026-05-12T14:51:02Z)
• AdaMem: Adaptive User-Centric Memory for Long-Horizon Dialogue Agents [49.63422082885992]
  長軸対話エージェントのための適応型ユーザ中心メモリフレームワークであるAdaMemを提案する。 AdaMemは対話履歴をワーキング、エピソディック、ペルソナ、グラフメモリに整理する。 LoCoMo と PERSONAMEM ベンチマーク上での AdaMem の評価を行った。
  論文  参考訳（メタデータ） (2026-03-17T13:22:54Z)
• 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)
• Amory: Building Coherent Narrative-Driven Agent Memory through Agentic Reasoning [14.368376032599437]
  Amoryは、オフライン時に構造化されたメモリ表現を積極的に構築するワーキングメモリフレームワークである。 アモリーは会話の断片を叙事詩の物語に整理し、記憶を運動量と統合し、周辺事実を意味記憶に意味づける。 Amoryは従来の最先端よりも大幅に改善され、パフォーマンスは完全なコンテキスト推論に匹敵し、レスポンスタイムを50%削減した。
  論文  参考訳（メタデータ） (2026-01-09T19:51:11Z)
• KnowMe-Bench: Benchmarking Person Understanding for Lifelong Digital Companions [13.246922338917601]
  我々は、長文の自伝的物語から構築された公開リリース可能なベンチマークであるBenchNameを紹介する。 BenchNameは各物語をフラッシュバック対応のタイムアンコールストリームに再構成し、エビデンスにリンクされた質問でモデルを評価する。
  論文  参考訳（メタデータ） (2026-01-08T09:11:33Z)
• ChatRule: Mining Logical Rules with Large Language Models for Knowledge Graph Reasoning [107.61997887260056]
  そこで我々は,知識グラフ上の論理ルールをマイニングするための大規模言語モデルの力を解き放つ新しいフレームワークChatRuleを提案する。 具体的には、このフレームワークは、KGのセマンティック情報と構造情報の両方を活用するLLMベースのルールジェネレータで開始される。 生成されたルールを洗練させるために、ルールランキングモジュールは、既存のKGから事実を取り入れてルール品質を推定する。
  論文  参考訳（メタデータ） (2023-09-04T11:38:02Z)

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。