論文の概要: Retrieval-Driven Memory Reconsolidation for Long-Term LLM Agents
- arxiv url: http://arxiv.org/abs/2609.16053v1
- Date: Sun, 13 Sep 2026 05:17:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.114483
- Title: Retrieval-Driven Memory Reconsolidation for Long-Term LLM Agents
- Title（参考訳）: 長期LLMエージェントの検索駆動型メモリ再統合
- Abstract要約: 既存のメモリシステムは、新しい情報が到着したときにメモリを更新する。
検索フィードバックは、将来のアクセスのためにメモリを再編成するために利用されることはめったにない。
LLMエージェントの長期記憶を継続的に進化させるフレームワークである textbfREALM を提案する。
- 参考スコア（独自算出の注目度）: 39.55670043123564
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long-term memory is essential for LLM-based agents operating over extended interactions. Existing memory systems primarily update memory when new information arrives, treating retrieval as the endpoint of memory access rather than a driver of memory evolution. Consequently, retrieval feedback is rarely exploited to reorganize memory for future access continuously. Moreover, most existing approaches rely on predefined memory structures together with fixed retrieval pipelines, limiting the agent's ability to organize and evolve its own memory autonomously. Inspired by memory reconsolidation in cognitive neuroscience, we propose \textbf{REALM}, a \textbf{r}econsolidation-\textbf{e}volution \textbf{a}gentic \textbf{l}ong-term \textbf{m}emory framework. It models long-term memory as a continual lifecycle by autonomously organizing memories into a heterogeneous cognitive graph, retrieving evidence via adaptively composed graph-search atoms, and continually reconsolidating memories based on retrieval feedback. REALM achieves an average accuracy of 75.97\% on LoCoMo and 65.11\% on LongMemEval, outperforming the strongest baselines by 7.17 and 1.31 points respectively. Ablation studies confirm that memory reconsolidation consistently boosts performance, with further analyses revealing that it progressively reorganizes related memory units into more coherent local structures for collective evidence recall and utilization during reasoning. These results suggest that retrieval-driven memory reconsolidation provides an effective mechanism for continually evolving long-term memory in LLM agents.
- Abstract（参考訳）: 長期記憶は、LLMベースのエージェントが拡張された相互作用を操作するのに不可欠である。
既存のメモリシステムは、新しい情報が到着したときに主にメモリを更新し、メモリ進化のドライバではなく、検索をメモリアクセスのエンドポイントとして扱う。
その結果、将来のアクセスのためにメモリを再編成するために、検索フィードバックはめったに利用されない。
さらに、既存のほとんどのアプローチは、固定された検索パイプラインと共に事前に定義されたメモリ構造に依存しており、エージェントが自身のメモリを自律的に組織化し、進化させる能力を制限している。
認知神経科学における記憶の再構築に着想を得て, 認識神経科学における記憶の再構築に着想を得た。
長期記憶は、記憶を不均一な認知グラフに自律的に整理し、適応的に合成されたグラフ検索原子を介して証拠を検索し、検索フィードバックに基づいて記憶を継続的に再構築することで、継続的なライフサイクルとしてモデル化する。
REALMは、LoCoMoで75.97\%、LongMemEvalで65.11\%の平均精度を達成し、それぞれ7.17点と1.31点で最強のベースラインを上回っている。
アブレーション研究は、記憶の再構築が一貫して性能を向上することを確認し、さらに分析により、関連する記憶ユニットをより一貫性のある局所構造に段階的に再編成し、推論中に集合的エビデンスをリコールし、利用することを明らかにした。
これらの結果は,LLMエージェントの長期記憶を継続的に進化させるメカニズムとして,検索駆動型メモリ再統合が有効であることを示唆している。
関連論文リスト
- 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) - REAL: A Reasoning-Enhanced Graph Framework for Long-Term Memory Management of LLMs [17.526686616588794]
大きな言語モデル(LLM)は、長い時間をかけてユーザーと対話することがますます期待されている。
LLMは過去のすべてのインタラクションを保持することができず、履歴情報の保存、更新、検索には長期記憶管理が不可欠である。
REALは長期会話記憶を時間的かつ信頼性に配慮したプロパティグラフとして構成する。
論文 参考訳（メタデータ） (2026-06-09T10:53:10Z) - 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) - SubtleMemory: A Benchmark for Fine-Grained Relational Memory Discrimination in Long-Horizon AI Agents [38.778004697710855]
本稿では,長期にわたるAIエージェントにおける微粒なリレーショナルメモリ識別のためのベンチマークであるSubtleMemoryを紹介する。
我々は,6つのスタンドアロンメモリシステム,ネイティブメモリモジュールを持つ2つのClawスタイルエージェント,プラグインメモリモジュールを持つ3つのClawスタイルエージェントを評価した。
論文 参考訳（メタデータ） (2026-06-04T06:43:11Z) - RecMem: Recurrence-based Memory Consolidation for Efficient and Effective Long-Running LLM Agents [16.625864201773343]
RecMemは、受信するインタラクションをサブ意識のメモリ層に格納し、軽量な埋め込みモデルを使用してエンコードする。
実験により、RecMemは3つのSOTAメモリシステムのメモリ構築トークンコストを最大87%削減し、精度を上回ります。
論文 参考訳（メタデータ） (2026-05-15T15:17:36Z) - H-Mem: A Novel Memory Mechanism for Evolving and Retrieving Agent Memory via a Hybrid Structure [18.614170579610555]
H-Memは、エージェントメモリの長期にわたる進化を効果的にモデル化できる新しいメモリメカニズムである。
木とグラフのハイブリッド構造を利用した効果的なメモリ検索手法を提供する。
論文 参考訳（メタデータ） (2026-05-15T07:46:38Z) - MemSearch-o1: Empowering Large Language Models with Reasoning-Aligned Memory Growth in Agentic Search [59.98962867649009]
本稿では,メモリ成長とリトラシングに基づくエージェント検索フレームワークであるMemSearch-o1を提案する。
MemSearch-o1はクエリからメモリシードトークンからきめ細かいメモリフラグメントを成長させ、コントリビューション関数を通じてメモリを再トレースし、深く洗練し、最終的にグローバルに接続されたメモリパスを再編成する。
論文 参考訳（メタデータ） (2026-04-19T05:35:06Z) - MemGround: Long-Term Memory Evaluation Kit for Large Language Models in Gamified Scenarios [33.8882826707344]
MemGroundは、リッチでゲーミフィケーションされたインタラクティブシナリオを基盤とした、厳格な長期メモリベンチマークである。
メモリ利用と行動軌跡の両方を包括的に定量化するために,多次元計量スイートを提案する。
論文 参考訳（メタデータ） (2026-03-23T02:57:39Z) - AMA: Adaptive Memory via Multi-Agent Collaboration [54.490349689939166]
複数の粒度にまたがるメモリ管理に協調エージェントを活用する新しいフレームワークであるAMA(Adaptive Memory via Multi-Agent Collaboration)を提案する。
AMAは、ステート・オブ・ザ・アートのベースラインを著しく上回り、トークンの消費をフルコンテキストの手法と比べて約80%削減する。
論文 参考訳（メタデータ） (2026-01-28T08:09:49Z) - 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)
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。