論文の概要: MemForest: Efficient Agent Memory Management via EventTree Partitioning and Progressive Merging

• arxiv url: http://arxiv.org/abs/2609.08273v1
• Date: Tue, 08 Sep 2026 05:30:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.588096
• Title: MemForest: Efficient Agent Memory Management via EventTree Partitioning and Progressive Merging
• Title（参考訳）: MemForest: EventTreeパーティショニングとプログレッシブマージによる効率的なエージェントメモリ管理
• Abstract要約: エージェントメモリシステムのための汎用メモリ圧縮フレームワークである textbfMemForest を提案する。 MemForestは、グローバルなセマンティックな類似性と局所的な時間的連続性を利用して、履歴記憶をイベント中心の単位に分割する。 マルチモーダルなM3-Agentフレームワークの下では、textbf99.7%の圧縮比でオリジナルのパフォーマンスを保存している。
• 参考スコア（独自算出の注目度）: 23.836080891576135
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agent memory systems have demonstrated significant potential in long-term dialogue, personalized assistants, and video understanding. However, continuously accumulated memory introduces substantial storage and retrieval costs during inference. To address this issue, we propose \textbf{MemForest}, a general memory compression framework adaptable to various agent memory systems. Specifically, MemForest partitions historical memory into event-centric units by leveraging global semantic similarity and local temporal continuity. For each unit, it constructs a maximum spanning tree, termed an EventTree, and progressively merges redundant memory nodes by selecting high-weight edges, reducing storage overhead. Furthermore, we introduce an anchor-guided propagation retrieval mechanism that retrieves relevant memory nodes from the temporal neighborhoods of key nodes, improving retrieval accuracy. Extensive experiments demonstrate the effectiveness of MemForest. Under the unimodal Mem0 framework, MemForest retains \textbf{97.1%} of the original performance while compressing \textbf{50%} of historical memory across three benchmarks (LoCoMo, LongMemEval, and PersonaMem), achieving a \textbf{1.89x} retrieval speedup. Under the multimodal M3-Agent framework, it preserves \textbf{99.7%} of the original performance with a \textbf{50%} compression ratio across two benchmarks (M3-Bench-robot and M3-Bench-web), achieving a \textbf{2.24x} retrieval speedup. \textcolor{RoyalBlue}{\textit{Our code is available at [https://github.com/Celina-love-sweet/MemForest.}}](https://github.com/Celina-love-sweet/MemForest.}})
• Abstract（参考訳）: エージェントメモリシステムは、長期的な対話、パーソナライズされたアシスタント、ビデオ理解において大きな可能性を示してきた。 しかし、連続的に蓄積されたメモリは、推論中にかなりのストレージと検索コストをもたらす。 この問題に対処するために,様々なエージェントメモリシステムに適用可能な汎用メモリ圧縮フレームワークである \textbf{MemForest} を提案する。 具体的には、MemForestは、グローバルな意味的類似性と局所的な時間的連続性を利用して、履歴記憶をイベント中心の単位に分割する。 各ユニットに対して、最大スパンニングツリーを構築し、EventTreeと呼ばれ、ハイウェイトエッジを選択することで、冗長なメモリノードを徐々にマージし、ストレージオーバーヘッドを低減します。 さらに、キーノードの時間的近傍から関連するメモリノードを検索し、検索精度を向上させるアンカー誘導伝搬検索機構を導入する。 大規模な実験はMemForestの有効性を実証している。 ユニモーダルのMem0フレームワークの下では、MemForestはオリジナルのパフォーマンスの \textbf{97.1%} を維持しながら、3つのベンチマーク(LoCoMo、LongMemEval、PersonaMem)で履歴メモリの \textbf{50%} を圧縮し、 \textbf{1.89x} の検索スピードアップを達成する。 マルチモーダルなM3-Agentフレームワークの下では、2つのベンチマーク(M3-Bench-robot と M3-Bench-web)でオリジナルのパフォーマンスの \textbf{99.7%} を圧縮比で保存し、 \textbf{2.24x} の検索スピードアップを達成する。 \textcolor{RoyalBlue}{\textit{Our code is available at [https://github.com/Celina-love-sweet/MemForest.}}](https://github.com/Celina-love-sweet/MemForest.}})

関連論文リスト

• CreaMem: A Scene-Aware Memory Architecture for Personalized Agents [10.59532182467324]
  本稿では,メモリを複数のライフシーンメモリに分割することで,シーン認識型メモリ構成を可能にするCreaMemアーキテクチャを提案する。 CreaMemは、すべての評価指標のQA精度を改善し、特にマルチホップ推論のパフォーマンスを大きく向上させる。 強化するために、私たちはコードをパブリックなGitHubリポジトリにリリースしました。
  論文  参考訳（メタデータ） (2026-09-08T10:33:05Z)
• ArborMem: Navigating Interaction States with Memory Forests [9.724913528017408]
  大きな言語モデルは、より永続的な会話アシスタントとして機能する。 ArborMemは、長時間会話をナビゲート可能な対話状態の森として表現するオンラインメモリフレームワークである。 新しい入力毎に、ArborMemは関連する状態をローカライズし、ブランチローカルコンテキストを復元し、ブランチ全体で再利用可能なエビデンスで拡張する。
  論文  参考訳（メタデータ） (2026-08-18T08:54:55Z)
• 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)
• Memory as a Controlled Process: Learned Adaptive Memory Management for LLM Agents [72.3752981234916]
  大きな言語モデル(LLM)エージェントは、タスク間の経験を蓄積するために、外部メモリシステムに依存している。 メモリ操作をマルコフ決定プロセスとしてモデル化するフレームワークである制御プロセス(MemCon)としてメモリを提示する。 MemConは、複数のメモリベースラインのタスク成功率を最大15.2ポイント上回り、トークン消費量を5-20%削減している。
  論文  参考訳（メタデータ） (2026-07-15T08:32:40Z)
• AdaMem: Learning What to Remember for Personalized Long-Horizon LLM Agents [79.03892269184145]
  我々は、記憶に値するものはロール依存であり、 textbfAdaMem (Adaptive Memory)を提案する。 AdaMemは、メモリ容量をtextbf9%削減しながら、均一なMem0ベースライン上で textbf+9.0% まで精度を向上する。
  論文  参考訳（メタデータ） (2026-06-19T06:35:52Z)
• FlashMemory-DeepSeek-V4: Lightning Index Ultra-Long Context via Lookahead Sparse Attention [77.12062766962815]
  Lookahead Sparse Attention (LSA)は、DeepSeek-V4アーキテクチャ上に構築されたNeural Memory Indexerを利用している。 このアーキテクチャをバックボーンフリーの非結合なトレーニング戦略でインスタンス化する。 FM-DS-V4は、物理KVキャッシュのフットプリントを、フルコンテキストベースラインのわずか13.5%まで圧縮することを示した。
  論文  参考訳（メタデータ） (2026-06-08T06:25:54Z)
• Enhancing Software Engineering Through Closed-Loop Memory Optimization [50.418699819003486]
  ソフトウェア工学 (SE) エージェントにおけるメモリ拡張のためのクローズドループフレームワークである ours を紹介する。 タスクに依存しない textbf ベンチマークとアノテーションのない textbf 最適化信号としての有用性を確立する。 その結果、SEエージェントは設定によって常に改善され、成功率で$uparrow5.25%、解決効率で$uparrow4.63%という絶対的なゲインが得られることが示された。
  論文  参考訳（メタデータ） (2026-06-04T03:17:21Z)
• MemGym: a Long-Horizon Memory Environment for LLM Agents [69.79226770543049]
  本稿では,エージェントメモリのベンチマークであるMemGymを紹介する。 MemGymは、メモリパフォーマンスを推論、検索、ツール使用能力から切り離すメモリアイソレーションスコアを報告している。 MEMGYM-CODEQAとMEMGYM-DRの合成パイプラインは、長さ制御可能であり、各ステージでアブレーションを検証可能であり、下流のシナリオと密に整合している。
  論文  参考訳（メタデータ） (2026-05-20T07:25:33Z)
• MemForest: An Efficient Agent Memory System with Hierarchical Temporal Indexing [33.94614583313314]
  本稿では,エージェントメモリを書き込み効率のよい時間的データ管理問題として再構成するメモリフレームワークであるMemForestを紹介する。 MemForestは、並列チャンク抽出によってシーケンシャルなボトルネックを破り、メモリ構成を並列で独立した操作に分離する。 We evaluate MemForest on two long-context memory benchmarks, LongMemEval-S and LoCoMo。
  論文  参考訳（メタデータ） (2026-05-16T13:11:47Z)
• DimMem: Dimensional Structuring for Efficient Long-Term Agent Memory [9.059024668312434]
  DimMemは、各メモリを時間、場所、理由、目的、キーワードなどの明示的なフィールドを持つアトミック、型付き、自己完結したユニットとして表現する。 LoCoMo-10 と LongMemEval-S 全体で、DimMem は textbf81.43% と textbf78.20% の総合精度をそれぞれ達成している。
  論文  参考訳（メタデータ） (2026-05-15T09:20:31Z)
• 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)
• Remember Me, Refine Me: A Dynamic Procedural Memory Framework for Experience-Driven Agent Evolution [52.76038908826961]
  我々は静的ストレージと動的推論のギャップを埋めるため、$textbfReMe$ ($textitRemember Me, Refine Me$)を提案する。 ReMeは3つのメカニズムを通じてメモリライフサイクルを革新する: $textitmulti-faceted distillation$, きめ細かい経験を抽出する。 BFCL-V3とAppWorldの実験では、ReMeが新しい最先端のエージェントメモリシステムを確立している。
  論文  参考訳（メタデータ） (2025-12-11T14:40:01Z)
• LightMem: Lightweight and Efficient Memory-Augmented Generation [72.21680105265824]
  我々は、メモリシステムの性能と効率のバランスをとるLightMemという新しいメモリシステムを紹介した。 人間の記憶のアトキンソン・シフリンモデルにインスパイアされたLightMemは、メモリを3つの相補的なステージにまとめる。 GPTとQwenのバックボーンを用いたLongMemEvalの実験では、LightMemは高いベースライン(最大10.9%のゲイン)を上回り、トークンの使用量を最大117倍に削減している。
  論文  参考訳（メタデータ） (2025-10-21T17:58:17Z)

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。