論文の概要: BIO-MEMART: Biometric-Aware KV Cache Memory for Multi-User LLM Agents

• arxiv url: http://arxiv.org/abs/2609.08566v1
• Date: Tue, 08 Sep 2026 10:56:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.632221
• Title: BIO-MEMART: Biometric-Aware KV Cache Memory for Multi-User LLM Agents
• Title（参考訳）: BIO-MEMART:マルチユーザLLMエージェントのためのバイオメトリック対応KVキャッシュメモリ
• Abstract要約: Bio-MemArt は、マルチユーザ LLM エージェントのためのバイオメトリック対応 KV-cache メモリフレームワークである。 Bio-MemArtは、格納された各KVメモリブロックに正規化されたバイオメトリックテンプレートをアタッチする。 生体計測ゲーティングはKV-cacheメモリの低トーケン動作機構を保っていることを示す。
• 参考スコア（独自算出の注目度）: 9.782754686221752
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: KV cache is evolving from a serving optimization into an external memory substrate for long-term LLM agents. In a shared multi-user deployment, however, reusable KV blocks introduce a missing access-control question: semantic relevance alone cannot determine whether a memory block is authorized for the current physical user. We propose Bio-MemArt, a biometric-aware KV-cache memory framework for multi-user LLM agents. Bio-MemArt attaches a normalized biometric template to each stored KV memory block, filters the shared memory pool with the current user's biometric probe, and then runs the original MemArt retrieval and KV reuse pipeline only inside the authorized candidate pool. This design preserves latent-space retrieval, direct cache reuse, and decoupled position encoding while adding physical-user access control to shared KV memory. We evaluate Bio-MemArt under Owner and Non-owner query conditions on long-term dialogue QA with face and palmprint benchmarks. Across face benchmarks, the average owner and non-owner biometric success rates are 95.71% and 0.86%; across palmprint benchmarks, they are 97.60% and 2.00%. In the efficiency study, average prefill tokens drop from 18,781.96 under full-context prompting to 28.57 with Bio-MemArt, showing that biometric gating preserves the low-token operating regime of KV-cache memory.
• Abstract（参考訳）: KVキャッシュは、サービス最適化から長期LLMエージェントの外部メモリ基板へと進化している。 しかし、共有マルチユーザデプロイメントでは、再利用可能なKVブロックには、アクセス制御の問題が発生している: セマンティックな関連性だけでは、現在の物理ユーザに対してメモリブロックが認可されているかどうかを判断できない。 マルチユーザLSMエージェントのための生体認証対応KV-cacheメモリフレームワークであるBio-MemArtを提案する。 Bio-MemArtは、記憶されている各KVメモリブロックに正規化されたバイオメトリックテンプレートをアタッチし、共有メモリプールを現在のユーザのバイオメトリックプローブでフィルタリングし、承認された候補プール内でのみオリジナルのMemArt検索とKV再利用パイプラインを実行する。 この設計は、共有KVメモリに物理ユーザアクセス制御を追加しながら、遅延空間検索、直接キャッシュ再利用、非結合位置符号化を保存している。 我々は,顔と手のひらのベンチマークを用いた長期対話QAにおいて,所有者と非所有者の問合せ条件下でBio-MemArtを評価する。 顔のベンチマークでは、平均的な所有者と非所有者のバイオメトリックの成功率は95.71%と0.86%であり、ヤシのベンチマークでは97.60%と2.00%である。 効率研究において、平均プリフィルトークンは18,781.96からBio-MemArtで28.57に減少し、バイオメトリックゲーティングがKV-cacheメモリの低い動作状態を保存することを示した。

関連論文リスト

• Personalizing LLM Agent Memory Using Biometrics [14.355562431393416]
  Bio-Memoryはバイオメトリックなメモリアーキテクチャであり、セマンティックな類似性とバイオメトリックなマッチングの両方でメモリの検索を条件付ける。 7面のベンチマークと10個のヤシプリントプロトコルを用いた10ユーザ共有エージェント設定において,LoCoMo上でのバイオメモリの評価を行った。
  論文  参考訳（メタデータ） (2026-09-08T10:46:12Z)
• PuzzleKV: Page-Wise Low-Rank Decomposition for KV Cache Compression [6.397490960170785]
  PuzzleKVは大規模言語モデルの低ランク圧縮法である。 各層とKVヘッド内のページを分解し、高密度で分解されたページに直接注意を計算し、新たに利用可能なページを漸進的に圧縮する。 評価されたモデルとすべてのベンチマーク設定で、フルKVパフォーマンスの96%以上を達成する。
  論文  参考訳（メタデータ） (2026-08-24T21:30:11Z)
• MEMPROBE: Probing Long-Term Agent Memory via Hidden User-State Recovery [58.64329475683699]
  我々は、長期記憶は監査可能な相互作用後のアーティファクトとして評価されるべきであると主張している。 我々は、メモリを備えたエージェントがシミュレーションユーザを支援するベンチマークであるMEMPROBEで、このビューをインスタンス化する。 私たちは、成功したアシストと回復可能なメモリが、異なる機能として振る舞うことに気付きました。
  論文  参考訳（メタデータ） (2026-06-23T13:52:46Z)
• 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)
• eMEM: A Hybrid Spatio-Temporal Memory System For Embodied Agents [1.8047694351309203]
  物理環境で動作するエンボディエージェントのためのハイブリッドグラフベースメモリシステムeMEMを提案する。 eMEMはこのギャップをマルチインデックスアーキテクチャ(構造化ストレージ用ITE、近傍セマンティックサーチ用hlib、空間クエリ用Rツリー)で埋める。 また,eMEM-Bench v1は,メモリ評価のためのProcTHOR-10Kシーン上で構築したベンチマークである。
  論文  参考訳（メタデータ） (2026-06-02T09:22:12Z)
• Make Each Token Count: Towards Improving Long-Context Performance with KV Cache Eviction [65.710271475739]
  我々は,各トークンの将来のユーティリティを統一メモリ予算の下で学習する,グローバルな保持に基づくKV消去手法を提案する。 提案手法は,フルキャッシュ推論に適合したり,超えたりしながら,KVメモリを大幅に削減することを示す。 これらの結果から,世界規模で校正されたKV消去は圧縮技術であるだけでなく,長文推論を改善するメカニズムでもあることが示唆された。
  論文  参考訳（メタデータ） (2026-05-10T16:47:50Z)
• Hippocampus: An Efficient and Scalable Memory Module for Agentic AI [4.508092142808317]
  Hippocampusは、セマンティック検索にコンパクトなバイナリシグネチャを使用するエージェント型メモリ管理システムである。 その中核はDWM(Dynamic Wavelet Matrix)であり、超高速検索をサポートするために両方のストリームを圧縮し、共同インデックスする。 評価の結果,Hippocampusはエンドツーエンドの検索遅延を最大31$times$に削減できることがわかった。
  論文  参考訳（メタデータ） (2026-02-14T04:25:20Z)
• DeltaKV: Residual-Based KV Cache Compression via Long-Range Similarity [50.52392445266824]
  そこで本稿では,KV表現における長距離間類似性と高共有遅延成分を動機とする残差ベースのKVキャッシュ圧縮フレームワークを提案する。 DeltaKVはトークンを捨てる代わりに、検索した履歴参照に対するセマンティックな残基をエンコードし、保存を著しく削減する。 実験によると、DeltaKVは、LongBench、SCBench、AIMEでほぼロスレスの精度を維持しながら、KVキャッシュメモリを元の29%に削減している。
  論文  参考訳（メタデータ） (2026-02-08T15:14:36Z)
• Cache Me If You Can: How Many KVs Do You Need for Effective Long-Context LMs? [79.58770714228983]
  言語モデルは、書籍要約のようなタスクに対して、ますます長いコンテキストを扱う。 これによりキーバリュー(KV)キャッシュのメモリコストが増大する。 以前の多くの研究でKVをメモリから外す方法が提案されているが、そのアプローチは好ましい設定に適合している。 KVフットプリント*は、記憶中のKVエントリの量と寿命の両方を考慮し、統一された計量として提案する。
  論文  参考訳（メタデータ） (2025-06-20T16:21:12Z)
• PyramidKV: Dynamic KV Cache Compression based on Pyramidal Information Funneling [38.732413451399]
  ピラミッドKVは新規かつ効果的なKVキャッシュ圧縮法である。 提案手法は,KVキャッシュの12%しか保持せず,完全なKVキャッシュでモデルの性能と一致していることを示す。 Needle-in-a-Haystack実験では、Praamid KVは長文理解の維持において競合する手法より優れている。
  論文  参考訳（メタデータ） (2024-06-04T07:51:30Z)
• Model Tells You What to Discard: Adaptive KV Cache Compression for LLMs [82.08922896531618]
  大規模言語モデル(LLM)における生成推論のメモリフットプリントを削減するプラグイン・アンド・プレイ方式である適応KVキャッシュ圧縮を導入する。 我々は,アテンションモジュールの本質的な構造を明らかにするために,ターゲットプロファイリングを行う。 認識された構造に基づいて、我々はKVキャッシュを適応的に構築する: 注意頭上の長距離コンテキストを排除し、局所的なコンテキストを強調し、特別なトークンを中心とした注意頭上の特別なトークンを排除し、すべてのトークンに広く参加する注目頭に対して標準のKVキャッシュのみを使用する。
  論文  参考訳（メタデータ） (2023-10-03T05:17:08Z)

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。