論文の概要: Disentangling Long-Term Memory via Latent Neuro-Symbolic Reasoning

• arxiv url: http://arxiv.org/abs/2609.18461v2
• Date: Fri, 18 Sep 2026 01:39:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.703195
• Title: Disentangling Long-Term Memory via Latent Neuro-Symbolic Reasoning
• Title（参考訳）: 潜在性神経・筋リソンによる長期記憶障害
• Abstract要約: LGMは、長期記憶のゆがみを連続的な潜伏空間に変える新しいニューロシンボリック・フレームワークである。 過去のインタラクションを潜在メモリノードにマッピングし、メモリトレースをスパースなコンセプトアクティベーションに切り離す。 パーソナライズされた応答を可能にしながら、明示的および暗黙的な嗜好の両方をキャプチャすることで、最先端のベースラインを大幅に上回る。
• 参考スコア（独自算出の注目度）: 47.430887329861264
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Personalized agents are required to reason over long-term history interactions to infer both explicit preferences and implicit behavioral evidence. While early flat retrieval methods score memory fragments independently and neglect the distributed information, current structured memory frameworks rely on query-agnostic static graphs that fail to capture the context-dependent relations. Crucially, raw textual memories are inherently entangled and noisy, making fine-grained personalization and cross-session reasoning computationally prohibitive. To this end, we present LGM, a novel neuro-symbolic framework that shifts long-term memory disentanglement into a continuous latent space. Specifically, (i) instead of persisting fixed graphs, we design a tailored latent graph construction with a sparse autoencoder. Subject to each query, it maps historical interactions into latent memory nodes and disentangles the memory traces into sparse concept activations, dynamically synthesizing query-aware relational edge weights. (ii) A graph encoder then treats the query embedding as a conditioning preference to direct non-linear message passing across the task-specific latent subgraph. This yields a highly expressive memory representation for effective activations. Extensive experiments on long-term personalization benchmarks demonstrate that LGM significantly outperforms state-of-the-art baselines in capturing both explicit and implicit preferences while enabling personalized responses.
• Abstract（参考訳）: パーソナライズされたエージェントは、明示的な嗜好と暗黙的な行動証拠の両方を推測するために、長期にわたる歴史相互作用を推論する必要がある。 初期のフラット検索手法では、メモリフラグメントを独立してスコアし、分散情報を無視するが、現在の構造化メモリフレームワークは、クエリに依存しない静的グラフに依存しており、コンテキストに依存した関係をキャプチャできない。 重要なことに、生のテキスト記憶は本質的に絡み合ってうるさいため、微粒なパーソナライゼーションと、計算的に禁止された断続的推論をもたらす。 この目的のために、LGMは、長期記憶障害を連続的な潜伏空間にシフトさせる新しいニューロシンボリック・フレームワークである。 具体的には (i)固定グラフを継続する代わりに、スパースオートエンコーダを用いた調整された潜在グラフ構造を設計する。 各クエリに対して、履歴的なインタラクションを潜在メモリノードにマッピングし、メモリトレースをスパースなコンセプトアクティベーションに切り離し、クエリ対応のリレーショナルエッジ重みを動的に合成する。 (ii)グラフエンコーダは、クエリ埋め込みを条件付けの好みとして扱い、タスク固有の潜在サブグラフを渡る非線形メッセージを直接渡す。 これにより、効果的なアクティベーションのための非常に表現力の高いメモリ表現が得られる。 長期パーソナライズベンチマークの広範な実験により、LGMは、パーソナライズされた応答を可能にしながら、明示的および暗黙的な嗜好の両方を捉えながら、最先端のベースラインを著しく上回っていることが示された。

関連論文リスト

• 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)
• MRMS: A Multi-Resolution Memory Substrate for Long-Lived AI Agents [2.808851478009314]
  長期的なAIエージェントは、相互作用の連続性を必要とする。 プロンプトウィンドウを拡張するだけで連続性を得ることはできない。 2つの軸に沿って構成されたアーキテクチャ記憶基板を提案する。
  論文  参考訳（メタデータ） (2026-07-06T02:54:37Z)
• 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)
• PERMA: Benchmarking Personalized Memory Agents via Event-Driven Preference and Realistic Task Environments [72.02445514666428]
  静的な嗜好リコールを超えてペルマの一貫性を評価するためのベンチマークであるPERMAを紹介する。 PerMAは、複数のセッションとドメインにまたがる時間的に順序付けられたインタラクションイベントと、時間とともに好みに関連するクエリで構成されている。 実験により、関連するインタラクションをリンクすることで、高度なメモリシステムはより正確な好みを抽出し、トークン消費を減らすことができることが示された。
  論文  参考訳（メタデータ） (2026-03-24T14:04:11Z)
• 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)
• 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)
• Amory: Building Coherent Narrative-Driven Agent Memory through Agentic Reasoning [14.368376032599437]
  Amoryは、オフライン時に構造化されたメモリ表現を積極的に構築するワーキングメモリフレームワークである。 アモリーは会話の断片を叙事詩の物語に整理し、記憶を運動量と統合し、周辺事実を意味記憶に意味づける。 Amoryは従来の最先端よりも大幅に改善され、パフォーマンスは完全なコンテキスト推論に匹敵し、レスポンスタイムを50%削減した。
  論文  参考訳（メタデータ） (2026-01-09T19:51:11Z)
• Memory Matters More: Event-Centric Memory as a Logic Map for Agent Searching and Reasoning [55.251697395358285]
  大規模言語モデル(LLM)は、環境を推論し、計画し、相互作用するインテリジェントエージェントとして、ますます多くデプロイされている。 長期のシナリオに効果的にスケールするには、そのようなエージェントの重要な機能は、過去の経験を保持し、整理し、取り出すことができるメモリメカニズムである。 イベント理論にインスパイアされたイベント中心のメモリフレームワークであるCompassMemを提案する。
  論文  参考訳（メタデータ） (2026-01-08T08:44:07Z)
• Implicit Graph, Explicit Retrieval: Towards Efficient and Interpretable Long-horizon Memory for Large Language Models [26.694294747866834]
  暗黙的なグラフメモリと明示的なサブグラフ検索を組み合わせたメモリフレームワークであるLatntGraphMemを提案する。 LatentGraphMemは、安定性と効率性のためにグラフ構造化メモリを潜時空間に格納する。 複数のモデルスケールにわたるロングホライゾンベンチマークの実験によると、LatentGraphMemは、明示的なグラフと潜在メモリのベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-01-06T21:10:10Z)

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。