論文の概要: Fortunate Recall: Ontology-Driven Memory Lifecycle Management for Persistent Coherence in LLMs

• arxiv url: http://arxiv.org/abs/2609.10413v1
• Date: Wed, 09 Sep 2026 16:31:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:09.112168
• Title: Fortunate Recall: Ontology-Driven Memory Lifecycle Management for Persistent Coherence in LLMs
• Title（参考訳）: 幸運なリコール: LLMにおける永続的コヒーレンスのためのオントロジー駆動型メモリライフサイクル管理
• Abstract要約: 幸運なリコール(FR)は、個人の事実を10+1の行動オントロジーに分類する構成可能なポリシー層である。 FR-Bankは、インフラストラクチャに依存しない実装で、LifecycleBenchの76.9%のパスレートに達しています。
• 参考スコア（独自算出の注目度）: 1.6257248483123767
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current LLM memory systems treat all personal facts identically, so stores grow without bound while retrieval precision degrades. The core challenge is lifecycle management: which memories should persist, which should be replaced, and at what rate, conditioned on the behavioral type of each fact. Fortunate Recall (FR) is a composable policy layer that classifies personal facts into a 10+1 behavioral ontology and applies category-specific lifecycle policies (differential temporal decay, slot-key supersession, event-time validity, and category-aware retrieval routing) as deterministic functions over LLM-extracted metadata. FR-Bank, our infrastructure-independent implementation, reaches a 76.9% pass rate on LifecycleBench, a new 516-question temporal-disambiguation benchmark, ahead of Mem0, A-MEM, Memory-R1, and MemoryOS (61% to 70.5%), and 75.2% on the full LongMemEval-S under the canonical Wu et al. judge protocol, so lifecycle policies impose no measurable cost on standard retrieval. A pre-registered ablation locates the gains: replacing the typed layer with three generic lifecycle primitives leaves correctness statistically unchanged (-1.7pp, 95% CI [-6.0, +2.7]), so the generic lifecycle metadata carries the correctness advantage, while the behavioral ontology carries calibration, halving downstream confabulation (12.0% vs 24.2%, p<0.001). End-to-end, FR-Bank cuts confabulation from Mem0's 45.1% to 22.4% over answered queries and from 32.2% to 13.0% over all queries while answering more of them correctly (31.2% vs 18.6%); the ranking replicates on the open-weight Kimi K2.5. The decomposition transfers to BEAM, an independently built benchmark: 46.8% correct vs Mem0's 32.9% over 280 questions, with the ontology's benefit concentrated in contradiction resolution and saturating near seven policy clusters. The ontology, benchmark, and code are released.
• Abstract（参考訳）: 現在のLLMメモリシステムは、すべての個人的事実を同一に扱うため、検索精度が低下している間、ストアはバウンドなしで成長する。 中心となる課題はライフサイクル管理です – どのメモリを継続するか、どのメモリを置き換えるべきか、どのレートで、それぞれのファクトの行動タイプに依存しているか、といったことです。 Fortunate Recall(FR)は、個人的事実を10+1の行動オントロジーに分類し、LLM抽出メタデータ上の決定論的関数としてカテゴリ固有のライフサイクルポリシー(微分時間的減衰、スロットキースーパーセッション、イベント時妥当性、カテゴリ認識検索ルーティング)を適用する構成可能なポリシー層である。 私たちのインフラに依存しない実装であるFR-Bankは、Mem0, A-MEM, Memory-R1, MemoryOS(61%から70.5%)に先立って、新しい516の時間的曖昧性ベンチマークであるLifecycleBenchで76.9%のパスレートに達し、標準のWu et al judgeプロトコルの下で完全なLongMemEval-Sで75.2%に達している。 タイプされた層を3つの一般的なライフサイクルプリミティブに置き換えると、統計的に正しさが変化しない(1.7pp, 95% CI [-6.0, +2.7])ため、一般的なライフサイクルメタデータは正しさの優位性を持ち、行動オントロジーはキャリブレーションを持ち、下流の折り畳みを半分にする(12.0% vs 24.2%, p<0.001)。 FR-Bank は、Mem0 の 45.1% から 22.4% まで、回答されたクエリに対して 32.2% から 13.0% までを削減し、さらに多くのクエリを正しく答える(31.2% 対 18.6%)。 46.8%が正しく、Mem0の32.9%が280の質問に対して、オントロジーの利点は矛盾の解決に集中し、7つのポリシークラスタ近くを飽和させることである。 オントロジー、ベンチマーク、コードがリリースされている。

関連論文リスト

• Behavioral Cloning Outperforms Entropy-Regularized RL: Critic-Driven Failure of Actor-Critic Methods on Adaptive Tumor Treatment [46.644955105516466]
  そこで, 最適制御解析により良好なスケジュールの形状を定式化する3つの腫瘍制御ODEについて検討した。 コンパレータに対して、微調整されたポリシーは、失敗ではなく、有能なコントローラとして読むだろう。
  論文  参考訳（メタデータ） (2026-09-06T15:18:25Z)
• Adapting Without Gradients: Affine Statistics Transport and What Its Certificate Can Tell You [0.8594140167290097]
  テスト時間適応は、モデルパラメータを推論時に更新できると仮定する。 学習したモデルが凍結したままでいなければならない場合、適応性について研究する。 本稿では、ソースクラス統計を識別サブ空間に格納するCASTERを紹介する。
  論文  参考訳（メタデータ） (2026-08-31T21:07:36Z)
• Hindsight Memory-PRM: Supervising Memory Management with Auditable Hindsight Credit [48.811961095386]
  Hindsight Memory-PRMはこの監査パスを2回利用します。 オフラインで操作条件付きメモリユーティリティの批判をトレーニングする。 オンラインでは、検索、引用、および1つの制御された削除と再回答が、介入校正されたエントリーレベルのプレゼンスクレジットを確定する。
  論文  参考訳（メタデータ） (2026-08-30T06:53:13Z)
• 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)
• Selective Memory Retention for Long-Horizon LLM Agents [0.0]
  TraceRetainを使用して、機能を解釈してエントリをスコアし、キャパシティの低いものを削除します。 境界保持は、飽和クリーンベンチマークのメモリとステップ効率をタスクコストなしで購入し、ストリームがノイズを含むときだけキャッシュと区別する。
  論文  参考訳（メタデータ） (2026-06-28T03:46:46Z)
• Control-Plane Placement Shapes Forgetting: An Architectural Study of Agent Memory Across Thirteen System Configurations [1.2763567932588586]
  ForgetEvalは1000ケースのテンプレート・スイートと385ケースの対向層(手作り+253 LLMのオラクル・バリデーション) 決定論的プリミティブは語彙的・時間的カテゴリーで十分だが、正準化に失敗する。 1000ケースのテンプレートスイートと385ケースの反対層であるForgetEvalを通じて、トレードオフを公開しています。
  論文  参考訳（メタデータ） (2026-06-14T16:32:15Z)
• $μ$VLA: On Recurrent Memory for Partially Observable Manipulation in VLA Models [44.66763491853812]
  本研究は,VLA背骨の再発の制御的分離について検討した。 我々の定式化は、タイムステップにまたがる学習可能なメモリトークンの小さなセットでトランスフォーマーを強化します。 我々はこれらの結果を,背骨内再発の最小限のエンベロープの校正と解釈する。
  論文  参考訳（メタデータ） (2026-06-10T13:26:40Z)
• ATLAS: All-round Testing of Long-context Abilities across Scales [42.83200405769639]
  ATLASは、長文評価を長さ依存の能力プロファイルとして再定義するベンチマークフレームワークである。 ATLASは、(i)アプリケーションワークロードから基礎的な操作を分離する階層化された分類法、(ii)固定された8K-1Mグリッド上のスコア長曲線を統合するAUCスコア、(iii)不均衡なプロファイルをペナルライズする分類カテゴリー上の調和平均集計であるATLAScoreの3つの方法論に貢献する。
  論文  参考訳（メタデータ） (2026-05-27T07:33:47Z)
• Human-Inspired Memory Architecture for LLM Agents [0.9507070656654629]
  6つの認知機構からなる生体記憶アーキテクチャを提案する。 各メカニズムは、単純メモリ蓄積の特定の障害モードに対処する。 S層スケール(50セッション)では、デダップベースのコンソリデーションにより、好みのリコールが+13.3pp向上する。
  論文  参考訳（メタデータ） (2026-05-08T22:52:37Z)
• RPMS: Enhancing LLM-Based Embodied Planning through Rule-Augmented Memory Synergy [34.723296971298424]
  LLMエージェントは、厳密な前提条件を満たす必要があるため、クローズドワールドの実施環境で失敗することが多い。 P1) 無効な動作生成と(P2) 状態ドリフトの2つの構造的結合型障害モードを同定する。 本稿では、構造化ルール検索によるアクション実現性を強制する、コンフリクト管理アーキテクチャRPMSを提案する。
  論文  参考訳（メタデータ） (2026-03-18T15:26:00Z)
• RMM: Reinforced Memory Management for Class-Incremental Learning [102.20140790771265]
  クラスインクリメンタルラーニング(CIL)は、厳格な記憶予算の下で分類器を訓練する。 既存のメソッドは静的およびアドホックな戦略を使ってメモリ割り当てを行うが、これはしばしば準最適である。 本稿では,段階的な段階と異なるオブジェクトクラスに最適化された動的メモリ管理戦略を提案する。
  論文  参考訳（メタデータ） (2023-01-14T00:07:47Z)

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。