論文の概要: CueMem: Cue-Guided Context Reconstruction for Long-Term Conversational Memory
- arxiv url: http://arxiv.org/abs/2609.12354v1
- Date: Fri, 11 Sep 2026 02:27:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.587046
- Title: CueMem: Cue-Guided Context Reconstruction for Long-Term Conversational Memory
- Title（参考訳）: CueMem:長期会話記憶のためのCue-Guidedコンテキスト再構成
- Abstract要約: CueMemは、抽出されたメモリレコードを検索キューとして扱うキュー誘導フレームワークである。
ソースターンからクエリ関連対話コンテキストを再構築する。
LoCoMoとLongMemEvalの実験によると、CueMemは長期的なメモリベースラインを一貫して上回っている。
- 参考スコア（独自算出の注目度）: 38.76918926805768
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long-term conversational agents must answer user queries by recalling information from extended dialogue histories, yet directly using the full history is costly and often unreliable, while compressed memory units may lose fine-grained evidence needed for question answering. Motivated by the reconstructive view of autobiographical memory, we propose CueMem, a cue-guided framework that treats extracted memory records as retrieval cues rather than self-contained evidence and reconstructs query-relevant dialogue context from their source turns. During memory construction, CueMem extracts fine-grained memory cues from dialogue turns and links each cue to its source turn. At query time, it retrieves query-relevant cues, maps them to source-turn anchors, and expands from these anchors over a turn graph that captures temporal proximity and semantic relatedness, reconstructing a compact evidence context from the original dialogue for LLM answer generation. Experiments on LoCoMo and LongMemEval show that CueMem consistently outperforms representative long-term memory baselines. Further analyses show that graph-based context reconstruction helps recover supporting dialogue evidence while reducing query-time input tokens and latency compared with the full-history LLM setting. These results highlight retrieval cues as an effective alternative to self-contained memory evidence for long-term conversational question answering.
- Abstract（参考訳）: 長期の会話エージェントは、拡張された対話履歴からの情報をリコールしてユーザークエリに答えなければならないが、完全な履歴を直接使用するのはコストがかかり、しばしば信頼性が低い。
CueMemは,自己完結型エビデンスではなく,抽出したメモリレコードを検索キューとして扱い,ソースターンからクエリ関連対話コンテキストを再構築する,キュー誘導型フレームワークである。
メモリ構築中、CueMemは対話のターンからきめ細かいメモリキューを抽出し、各キューを元のターンにリンクする。
クエリ時にクエリ関連キューを取得し、ソースターンアンカーにマップし、これらのアンカーから、時間的近接性と意味的関連性をキャプチャするターングラフ上に拡張し、LLM応答生成のための元の対話からコンパクトなエビデンスコンテキストを再構築する。
LoCoMoとLongMemEvalの実験によると、CueMemは長期的なメモリベースラインを一貫して上回っている。
さらに,グラフに基づく文脈再構成は,全史的LLM設定と比較して,クエリ時間入力トークンとレイテンシを低減しつつ,対話証拠の回復に有効であることを示す。
これらの結果は,長期会話型質問応答における自己完結型記憶証拠の有効な代替手段として,検索方法を強調した。
関連論文リスト
- What Should an Agent Forget? Separating What Is Stored from What Is Used [14.434131011155545]
永続的な言語エージェントは、時間にわたって利用できるように格納されたエクスペリエンスを必要とします。
RD-Forgetは、エージェントが保存するものと使用するものとを分離する、トレーニング不要のフレームワークです。
論文 参考訳（メタデータ） (2026-09-09T14:48:09Z) - Where to Look and What to Use: Retrieve-Localize-Generate for Long-Term Conversational Memory Question Answering [42.31517185994942]
RAGは、外部知識にアクセスすることによって、大きな言語モデルで質問に答えることを可能にする。
既存の方法は、時間的に離れたセッションに散在する断片化されたエビデンスと、中途半端な効果を誘発する検索セッション内のノイズのある内容の2つの主要な課題に悩まされている。
本稿では,長期会話メモリQAのための検索・ローカライズ・ジェネレーション統合フレームワークであるMemLocを提案する。
論文 参考訳（メタデータ） (2026-09-07T06:32:12Z) - 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) - 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) - ReContext: Recursive Evidence Replay as LLM Harness for Long-Context Reasoning [78.94047086588078]
長文推論のための LLM Harness として再帰的証拠を提案する。
長文推論を改善するための訓練不要推論法である。
128Kのコンテキスト長を持つ8つの長文データセットの実験は、エビデンスの利用を一貫して改善していることを示している。
論文 参考訳（メタデータ） (2026-07-02T17:59:26Z) - Memory is Reconstructed, Not Retrieved: Graph Memory for LLM Agents [51.30250860677378]
本稿では,連想記憶グラフとアクティブな再構成機構を組み合わせたフレームワークであるMRAgentを提案する。
Cue-Tag-Contentグラフ上で実行することで,メモリアクセスに直接推論を統合する。
LoCoMoベンチマークとLongMemEvalベンチマークの実験は、強いベースラインよりも大幅に改善されている。
論文 参考訳（メタデータ） (2026-06-04T11:29:46Z) - Memory Shot for Long-Term Dialogue [27.934717347947352]
本稿では,局所的な連続的な対話を構造化された視覚記憶ユニットに展開するMemShotを提案する。
MemShotはLoCoMoとLongMemEvalの両方で安定かつ競争的なパフォーマンスを達成する。
さらなる分析により、MemShotは歴史的証拠の局所化と活用を促進することが明らかとなった。
論文 参考訳（メタデータ） (2026-05-30T01:59:52Z) - Memory-Augmented Query Intent Understanding for Efficient Chat-based Image Retrieval [74.93546115702155]
チャットに基づく画像検索により,多ラウンド対話によるユーザ意図の反復的明確化と洗練が可能となる。
このタスクの主な課題は、対話ラウンド全体でユーザーのクエリインテントを動的に理解し、更新することである。
本稿では,チャットベースの画像検索タスクのための,メモリベースの新規かつ効率的なユーザ意図更新フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-17T10:17:41Z) - 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) - SGMem: Sentence Graph Memory for Long-Term Conversational Agents [14.89396085814917]
チャンク単位内の文レベルグラフとして対話を表現するSGMem(Sentence Graph Memory)を紹介する。
SGMem は, 長期会話型質問応答において, 精度を向上し, 高いベースラインを向上することを示す。
論文 参考訳（メタデータ） (2025-09-25T14:21:44Z) - Recursively Summarizing Enables Long-Term Dialogue Memory in Large Language Models [30.48902594738911]
長い会話をすると、大きな言語モデル(LLM)は過去の情報を思い出さず、一貫性のない応答を生成する傾向がある。
本稿では,長期記憶能力を高めるために,大規模言語モデル(LLM)を用いて要約/メモリを生成することを提案する。
論文 参考訳（メタデータ） (2023-08-29T04:59:53Z)
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。