論文の概要: Graph-Based Personalized Memory for LLM Agents: Representation, Evolution, Retrieval, and Evaluation

• arxiv url: http://arxiv.org/abs/2609.08599v1
• Date: Tue, 08 Sep 2026 11:34:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.637807
• Title: Graph-Based Personalized Memory for LLM Agents: Representation, Evolution, Retrieval, and Evaluation
• Title（参考訳）: LLMエージェントのためのグラフベースパーソナライズドメモリ:表現,進化,検索,評価
• Abstract要約: 大規模言語モデル(LLM)エージェントは、シングルセッションツールから長期的なパーソナルアシスタントへと進化している。 このシフトは、ユーザの好み、目標、制約、関係性、過去の経験が徐々に蓄積され、時間とともに頻繁に変化するため、メモリをパーソナライズするためのコア要件にします。 グラフベースのパーソナライズドメモリは、明示的な関係、時間的コンテキスト、エビデンスリンクを通じて、そのようなユーザ情報をモデル化する構造化された方法を提供する。
• 参考スコア（独自算出の注目度）: 10.79929452695567
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Model (LLM) agents are evolving from single-session tools toward long-term personal assistants that must adapt to individual users across tasks, contexts, and interactions. This shift makes memory a core requirement for personalization, since user preferences, goals, constraints, relationships, and past experiences are accumulated gradually and often change over time. Graph-based personalized memory provides a structured way to model such user information through explicit relations, temporal context, and evidence links. Such representations can model not only what an agent remembers about a user but also how memories are connected, revised, and retrieved to support personalized decisions. However, existing work remains fragmented across personalized agents and generic graph memory frameworks, making it difficult to understand the design space as a whole. This survey develops a lifecycle-oriented view of graph-based personalized memory for LLM agents. We organize existing studies around memory representation, memory evolution, memory retrieval, and memory evaluation. We further compare key design choices, discuss current evaluation practices, and open challenges in building reliable long-term personalized agents. This survey aims to clarify how graph-based memory can support adaptive, controllable, and user-centric LLM agents.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、単一セッションツールから長期的なパーソナルアシスタントへと進化し、タスク、コンテキスト、インタラクションにまたがって個々のユーザに対応する必要がある。 このシフトは、ユーザの好み、目標、制約、関係性、過去の経験が徐々に蓄積され、時間とともに頻繁に変化するため、メモリをパーソナライズするためのコア要件にします。 グラフベースのパーソナライズドメモリは、明示的な関係、時間的コンテキスト、エビデンスリンクを通じて、そのようなユーザ情報をモデル化する構造化された方法を提供する。 このような表現は、エージェントがユーザについて何を記憶しているかだけでなく、どのようにメモリが接続され、更新され、パーソナライズされた決定をサポートするかもモデル化できる。 しかし、既存の作業はパーソナライズされたエージェントと汎用グラフメモリフレームワークで断片化されており、設計空間全体を理解することは困難である。 本研究は,LLMエージェントのためのグラフベースのパーソナライズドメモリのライフサイクル指向ビューを開発する。 メモリ表現、メモリ進化、メモリ検索、メモリ評価に関する既存の研究を整理する。 さらに、重要な設計選択を比較し、現在の評価プラクティスについて議論し、信頼できる長期的なパーソナライズされたエージェントを構築する上での課題をオープンにします。 この調査は、グラフベースのメモリが適応性、制御性、ユーザ中心のLCMエージェントをどのようにサポートするかを明らかにすることを目的としている。

関連論文リスト

• Analytic Concept-Centric Memory for Agentic Embodied Manipulation [67.98329043920803]
  ロングホライゾンの具体化操作では、エージェントは永続的なオブジェクトを記憶し、シーンの状態の変化を追跡し、相互作用の知識を再利用する必要がある。 既存のエージェント記憶は、しばしば構造化されていない履歴や埋め込みベースの記録として保存される。 エージェントエンボディド操作のための解析的概念中心メモリフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-29T04:33:04Z)
• Learning User-Aware Recall: Personalized Retrieval in Long-Term Conversational Memory [15.297367578990903]
  プロファイル誘導型パーソナライズド検索最適化(PPRO)は対話履歴からエピソードおよびセマンティックメモリバンクを構築する。 PPROはメモリランキングにおいて明示的なパーソナライズされた先行として機能し、検索は安定したユーザー属性、好み、関係を考慮できる。 LoCoMoとLongMemEval-Sの実験では、トレーニング不要のメモリシステムよりも一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-05-28T06:47:48Z)
• Personal Visual Context Learning in Large Multimodal Models [53.33351452841322]
  パーソナライズされたクエリを解決するために,ユーザ固有の視覚的コンテキストを使用する即時学習機能であるPersonal Visual Context Learning(Personal)を提案する。 LMMを解析した結果,視覚的エビデンスを活用するメカニズムや,複数の視覚的観察を集約するメカニズムが重要視されていることが明らかとなった。 本稿では,ユーザの視覚的コンテキストを自己修復型メモリバンクに構造化し,クエリ適応型エビデンス選択を採用する強力なベースラインであるエージェントコンテキストバンクを提案する。
  論文  参考訳（メタデータ） (2026-05-11T17:59:17Z)
• MemORAI: Memory Organization and Retrieval via Adaptive Graph Intelligence for LLM Conversational Agents [14.16693343382686]
  大きな言語モデル(LLM)は、長期的なパーソナライズされた会話のための永続的なメモリを欠いている。 既存のグラフベースのメモリシステムは、情報希釈、前兆追跡の欠如、クエリコンテキストを無視した一様検索に悩まされている。 MemORAIは,ユーザ個人関連コンテンツを保持するための2層圧縮による選択的メモリフィルタリング,ターンレベルにおける実データ追跡の証明付きマルチリレーショナルグラフ,動的重み付きPageRankを用いたクエリ適応サブグラフ検索という,3つのイノベーションを統合したフレームワークである。
  論文  参考訳（メタデータ） (2026-05-02T11:20:34Z)
• Graph-based Agent Memory: Taxonomy, Techniques, and Applications [63.70340159016138]
  メモリはLarge Language Model(LLM)ベースのエージェントの中核モジュールとして出現する。 さまざまなパラダイムの中でグラフは、関係依存をモデル化する本質的な能力のため、エージェントメモリの強力な構造として際立っている。 本調査では, エージェントメモリの総合的な検討について, グラフベースの観点から述べる。
  論文  参考訳（メタデータ） (2026-02-05T13:49:05Z)
• OP-Bench: Benchmarking Over-Personalization for Memory-Augmented Personalized Conversational Agents [55.27061195244624]
  オーバーパーソナライゼーションを3つのタイプに分類する。 エージェントは不要な場合でも、ユーザメモリを取得およびオーバーアタッチする傾向があります。 我々の研究は、メモリ拡張対話システムにおいて、より制御可能で適切なパーソナライズに向けた最初の一歩を踏み出した。
  論文  参考訳（メタデータ） (2026-01-20T08:27:13Z)
• Memory in the Age of AI Agents [217.9368190980982]
  この研究は、現在のエージェントメモリ研究の最新の展望を提供することを目的としている。 我々は,エージェントメモリ,すなわちトークンレベル,パラメトリック,潜時メモリの3つの支配的実現を同定する。 実用的な開発を支援するため、メモリベンチマークとオープンソースフレームワークの包括的な概要をコンパイルする。
  論文  参考訳（メタデータ） (2025-12-15T17:22:34Z)
• PersonaAgent: When Large Language Model Agents Meet Personalization at Test Time [87.99027488664282]
  PersonaAgentは、汎用的なパーソナライゼーションタスクに対処するために設計されたフレームワークである。 パーソナライズされたメモリモジュールとパーソナライズされたアクションモジュールを統合する。 テストタイムのユーザ嗜好アライメント戦略は、リアルタイムのユーザの嗜好アライメントを保証する。
  論文  参考訳（メタデータ） (2025-06-06T17:29:49Z)
• Embodied Agents Meet Personalization: Investigating Challenges and Solutions Through the Lens of Memory Utilization [26.34637576545121]
  LLMを動力とするエンボディエージェントは、従来のオブジェクト配置タスクで成功している。 しかし、過去のインタラクションからユーザ固有の知識を活用するパーソナライズされた支援を提供することで、新たな課題が浮かび上がっている。 エージェントのメモリ利用のレンズを通してこれらの課題を考察する。
  論文  参考訳（メタデータ） (2025-05-22T08:00:10Z)

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。