論文の概要: The Immutable Past: Formalizing State Mutability and Conflict Resolution in Mutable RAG

• arxiv url: http://arxiv.org/abs/2609.16073v1
• Date: Sun, 13 Sep 2026 15:28:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.124536
• Title: The Immutable Past: Formalizing State Mutability and Conflict Resolution in Mutable RAG
• Title（参考訳）: Immutable past:formalizing State Mutability and Conflict Resolution in Mutable RAG (特集:「情報ネットワーク」)
• Abstract要約: 本稿では,高密度検索がAsymptotic Recall Decayに苦しむことを証明するために,状態変化のメカニズムを定式化する。 これを解決するために,厳密な推論時間一貫性プロトコルであるGC-Memを導入する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Retrieval-Augmented Generation (RAG) serves as the primary memory architecture for long-horizon autonomous agents. However, treating shared memory as an append-only stream introduces \textit{Semantic Shadowing}, a critical failure mode where conflicting historical observations accumulate and statistically dominate valid recent updates. In dynamic environments, this results in severe state divergence as agents retrieve and act upon obsolete facts. This paper formalizes the mechanics of State Mutability to prove that standard dense retrieval suffers from Asymptotic Recall Decay. Furthermore, we formally demonstrate a Majority Vote Trap, revealing that increasing the retrieval context window paradoxically degrades generation accuracy by diluting the attention mechanism under conditions of semantic equivalence. To resolve this, we introduce GC-Mem (Garbage Collection for Memory), a strict inference-time consistency protocol. Unlike heuristic time-decay mechanisms---which indiscriminately destroy valid long-term memory---GC-Mem relies purely on a temporal dominance operator ($Φ_{\mathcal{T}}$) paired with contradiction detection to surgically excise shadowed context. Evaluated across a rigorous, behaviorally inferred benchmark of 137,760 memory chunks and continuous accumulation sweeps, standard RAG and timestamp re-ranking baselines experience severe degradation. In contrast, GC-Mem empirically recovers $>90\%$ conflict resolution accuracy. We establish strict precision and recall deployment thresholds, ensuring state convergence where standard mutable RAG fundamentally fails.
• Abstract（参考訳）: Retrieval-Augmented Generation (RAG) は、長距離自律エージェントの主記憶アーキテクチャとして機能する。 しかし、共有メモリを追加のみのストリームとして扱うと、重要な障害モードである \textit{Semantic Shadowing} が導入された。 動的環境では、エージェントが陳腐化した事実を検索し、行動するにつれて、これは厳しい状態の分岐をもたらす。 本稿では,高密度検索がAsymptotic Recall Decayに苦しむことを証明するために,状態変化のメカニズムを定式化する。 さらに,検索コンテキストウィンドウの増大は,意味等価性の条件下での注意機構の希薄化によって,生成精度をパラドックス的に低下させることを示した。 これを解決するために,厳密な推論時間一貫性プロトコルであるGC-Mem(Garbage Collection for Memory)を導入する。 Heuristic Time-Decayのメカニズムとは違って---GC-Memは時間的優位性演算子($)に依存し、矛盾検出と組み合わせてシャドードコンテクストを外科的に出力する。 137,760個のメモリチャンクと連続的な蓄積スイープ、標準的なRAG、タイムスタンプの再ランク付けされたベースラインの厳密で行動的に推定されたベンチマークで評価された。 対照的に、GC-Memは90\%$コンフリクト解決精度を実証的に回復する。 我々は厳格な精度と配置しきい値のリコールを確立し、標準的な可変RAGが基本的に失敗する状態収束を保証する。

関連論文リスト

• Residual Dominance as a Structural Account of Last-Item Reliance in Causal Self-Attention Recommenders [47.8060666024071]
  我々は,SASRecスタイルのモデルが,局所的な終点依存を示すことを示す。 その後、残余加算は全ブロック表現を同位置寄与に急変させる。 残留強度を変化させると、構造混合と終点依存との間のモノトニックなトレードオフが生じる。
  論文  参考訳（メタデータ） (2026-08-14T07:09:58Z)
• 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)
• StateFuse: Deterministic Conflict-Preserving Memory for Multi-Agent Systems [6.160059055899747]
  StateFuseは、標準のOpsSet/CRDTマージ上に構築された、コンフリクト対応の複製メモリコントラクトである。 整合型リゾルバと検証ポリシの下で, フラットなマルチ値, 生ログ, プロファイランススタイル, 崩壊ベースラインに対してStateFuseを評価する。
  論文  参考訳（メタデータ） (2026-07-07T05:06:33Z)
• ContextShift: A Controlled Benchmark for Context Dependence in Object Detection [1.8320252176005443]
  我々は、オブジェクトの外観を保ちながら、オブジェクト-コンテキスト関係を操作するベンチマークであるContextShiftを紹介する。 偽陰性は227%まで増加し,予測量は44%まで減少する。 拡張されたすべての変種は、オリジナルの画像と操作されたテストイメージの両方でデータセットのみのベースラインよりも優れています。
  論文  参考訳（メタデータ） (2026-06-08T13:48:16Z)
• Episodic Memory Temporal Consistency for Cooperative Multi-Agent Reinforcement Learning [17.62926868585848]
  MARL(Cooperative Multi-Agent Reinforcement Learning)は、しばしば重度の報酬の分散と探索ボトルネックに悩まされる。 本稿では,歴史的経験をしっかりと構築し,選択的に活用するフレームワークであるEMTC(Epsodic Memory Temporal Consistency)を提案する。 EMTCは、超硬度SMACシナリオで最大24%の絶対勝利率改善を実現し、GRFタスク全体で平均28%の改善を実現している。
  論文  参考訳（メタデータ） (2026-06-03T06:15:39Z)
• IMPACT-CYCLE: A Contract-Based Multi-Agent System for Claim-Level Supervisory Correction of Long-Video Semantic Memory [73.22944697933603]
  既存のパイプラインは不透明でエンドツーエンドの出力を生成し、検査の中間状態は公開しない。 IMPACT-Cycleは,マルチモーダル反復クレームレベルのメンテナンスとして,長時間ビデオ理解を再構築するマルチエージェントシステムである。
  論文  参考訳（メタデータ） (2026-04-22T03:03:33Z)
• A Representation-Consistent Gated Recurrent Framework for Robust Medical Time-Series Classification [0.0]
  隠れ状態表現における時間的一貫性を強制する規則化された正規化戦略を導入するための表現一貫性を持つゲートリカレントフレームワーク(RC-GRF)を提案する。 提案するフレームワークはモデルに依存しないため,内部ゲーティング機構を変更することなく,既存のゲート型リカレントアーキテクチャに統合することができる。
  論文  参考訳（メタデータ） (2026-02-10T17:16:49Z)
• CORE: Context-Robust Remasking for Diffusion Language Models [51.59514489363897]
  我々は、推論時リビジョンのためのトレーニング不要フレームワークであるContext-Robust Remasking (CORE)を提案する。 静的トークンの確率を信頼するのではなく、COREは、ターゲットとなるマスク付きコンテキストの摂動に対する感受性を示すことによって、コンテキスト不安定なトークンを識別する。 LLaDA-8B-Baseでは、COREは推論とコードベンチマークの間で一貫した改善を行い、計算に適合したベースラインを上回り、MBPPを最大9.2%改善した。
  論文  参考訳（メタデータ） (2026-02-04T00:12:30Z)
• Gated Differentiable Working Memory for Long-Context Language Modeling [80.27483324685434]
  本稿では,Gdwm(Gated Differentiable Working Memory)を提案する。 ZeroSCROLLS と LongBench v2 の実験では、Gdwm は均一なベースラインよりも 4$times$ の勾配ステップで同等または優れたパフォーマンスを達成している。
  論文  参考訳（メタデータ） (2026-01-19T10:00:33Z)
• Respecting Temporal-Causal Consistency: Entity-Event Knowledge Graphs for Retrieval-Augmented Generation [69.45495166424642]
  我々は,物語文書における時間的,因果的,文字的整合性を理解するために,頑健で差別的なQAベンチマークを開発する。 次に、バイナリマッピングでリンクされたエンティティとイベントのサブグラフを分離したまま保持するデュアルグラフフレームワークであるEntity-Event RAG(E2RAG)を紹介します。 ChronoQA全体で、我々のアプローチは最先端の非構造化およびKGベースのRAGベースラインよりも優れており、因果一貫性クエリや文字整合性クエリが顕著である。
  論文  参考訳（メタデータ） (2025-06-06T10:07:21Z)
• Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
  Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。 AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)

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。