論文の概要: JustMem: Just-Enough Memory Access for Long-Term Conversations

• arxiv url: http://arxiv.org/abs/2609.19877v1
• Date: Thu, 17 Sep 2026 08:27:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.166147
• Title: JustMem: Just-Enough Memory Access for Long-Term Conversations
• Title（参考訳）: JustMem: 長期会話のための十分なメモリアクセス
• Abstract要約: 会話履歴をコンパクトな原子記憶として保存するJustMemを紹介する。 LoCoMoとLongMemEval-Sでは、JustMemは最高平均精度とリコールを達成する。
• 参考スコア（独自算出の注目度）: 15.111194316696912
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Efficient long-term conversational memory requires retrieving sufficient evidence without indiscriminately expanding the context presented to the language model. This is challenging because relevant evidence may be distributed across multiple sessions, while compression may discard details needed for answering. Different queries therefore require different forms of memory access. To capture these demands, we formulate memory access along two dimensions: discovery breadth, which controls how broadly evidence is searched, and reading fidelity, which controls whether evidence is read in compact form or recovered from the original conversation. Based on this formulation, we introduce JustMem, which stores conversation history as compact atomic memories and adapts memory access along these two dimensions to each query. Specifically, LOOKUP handles local evidence, COMPOSE broadens discovery for distributed evidence, and REPLAY increases reading fidelity for fidelity-sensitive evidence. On LoCoMo and LongMemEval-S, JustMem achieves the highest mean accuracy and retrieval recall among the compared memory systems while using substantially fewer generative-model tokens for memory construction and inference.
• Abstract（参考訳）: 言語モデルに提示される文脈を無差別に拡張することなく、効果的な長期会話記憶は十分な証拠を取得する必要がある。 これは、関連するエビデンスが複数のセッションに分散する可能性があるのに対して、圧縮は回答に必要な詳細を破棄する可能性があるため、難しい。 したがって、異なるクエリは異なる形態のメモリアクセスを必要とする。 これらの要求を捉えるために、我々は2つの次元に沿ってメモリアクセスを定式化する:発見幅は、どのように広く証拠を探索するかを制御し、また、証拠をコンパクトな形式で読み取るか、元の会話から復元するかを制御します。 この定式化に基づいて、会話履歴をコンパクトな原子記憶として保存し、これらの2次元のメモリアクセスを各クエリに適応させるJustMemを導入する。 具体的には、LOOKUPは局所的な証拠を処理し、ComposEは分散的な証拠の発見を拡大し、REPLAYは忠実性に敏感な証拠の読みやすさを高める。 LoCoMoとLongMemEval-Sでは、JustMemはメモリ構築と推論に生成モデルトークンをはるかに少なく使用しながら、比較したメモリシステムの中で最高の平均精度とリコールを達成する。

関連論文リスト

• UTILMEM: Benchmarking Evidence Utilization in Long-Term Conversational Memory [32.625416782173204]
  メモリ使用率を評価するための診断ベンチマークであるUtilMemを紹介する。 従来のファクトメモリベンチマークの強い性能は、有効メモリ利用に確実に変換されないことが判明した。 これらの知見は,記憶されている情報へのアクセスと有効利用との間に大きなギャップを生じさせ,長期の会話記憶の進歩には,検索妨害に対する証拠統合と堅牢性を明確に支援するアーキテクチャが必要であることを示唆している。
  論文  参考訳（メタデータ） (2026-08-31T09:41:26Z)
• Infini Memory: Maintainable Topic Documents for Long-Term LLM Agent Memory [19.802226925602927]
  長期的なLLMエージェントは、変化する事実を追跡し、セッション間で関連する証拠を提供する、永続的なメモリを必要とする。 Infini Memoryは、エージェントメモリをトピック構造化文書として扱う、保守可能なテキストベースの永続メモリアーキテクチャである。
  論文  参考訳（メタデータ） (2026-06-09T10:31:51Z)
• HMARS: A Hierarchical Multi-Agent Memory System for Long-Context Reasoning [17.783618926697066]
  長いコンテキスト推論は、文書、対話、相互作用履歴に散在する証拠にアクセス、検索、統合するモデルを必要とする。 本研究では,長いコンテキストをフラットな検索コーパスではなく管理メモリとして扱う階層型マルチエージェントメモリシステムであるHMARSを提案する。
  論文  参考訳（メタデータ） (2026-06-03T07:15:11Z)
• MemGuard: Preventing Memory Contamination in Long-Term Memory-Augmented Large Language Models [56.31411457917676]
  本稿では,メモリ構築と検索において,機能的メモリ境界を保存するタイプアウェアメモリフレームワークであるMemGuardを紹介する。 幻覚と長期会話のベンチマーク全体で、MemGuardはメモリの信頼性を最大28.27%向上し、メモリトークンは以前の方法より5.8倍少ない。
  論文  参考訳（メタデータ） (2026-05-27T06:04:19Z)
• MemEye: A Visual-Centric Evaluation Framework for Multimodal Agent Memory [80.97855900579512]
  既存の評価では、エージェントが後続の推論に必要な視覚的証拠を保存するかどうかを検査することはめったにない。 メモリ性能を2次元から評価するフレームワークであるMemEyeを紹介する。 本フレームワークでは,8つのライフシナリオタスクにまたがる新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2026-05-14T17:37:52Z)
• MemLens: Benchmarking Multimodal Long-Term Memory in Large Vision-Language Models [50.25006399944962]
  メモリは、長いマルチモーダル相互作用を扱うために、大きな視覚言語モデルにとって不可欠である。 MEMLENSはマルチモーダルマルチセッション会話におけるメモリのベンチマークである。 我々は27個のLVLMと7個のメモリ増強剤を評価した。
  論文  参考訳（メタデータ） (2026-05-14T14:41:17Z)
• 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)
• Evaluating Long-Term Memory for Long-Context Question Answering [100.1267054069757]
  質問応答タスクにアノテートした合成長文対話のベンチマークであるLoCoMoを用いて,メモリ拡張手法の体系的評価を行う。 以上の結果から,メモリ拡張アプローチによりトークン使用率が90%以上削減され,競争精度が向上した。
  論文  参考訳（メタデータ） (2025-10-27T18:03:50Z)
• Multiple Memory Systems for Enhancing the Long-term Memory of Agent [9.43633399280987]
  MemoryBankやA-MEMといった既存の手法は、記憶されているメモリの質が劣っている。 我々は認知心理学理論にインスパイアされた多重記憶システムを設計した。
  論文  参考訳（メタデータ） (2025-08-21T06:29:42Z)
• From Single to Multi-Granularity: Toward Long-Term Memory Association and Selection of Conversational Agents [79.87304940020256]
  大言語モデル(LLM)は会話エージェントで広く採用されている。 MemGASは、多粒度アソシエーション、適応選択、検索を構築することにより、メモリ統合を強化するフレームワークである。 4つの長期メモリベンチマークの実験により、MemGASは質問応答と検索タスクの両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-26T06:13:07Z)

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。