論文の概要: AutoViewMem: Self-Configuring Orthogonal Views for Conversational Long-Term Memory
- arxiv url: http://arxiv.org/abs/2609.21940v1
- Date: Fri, 18 Sep 2026 15:55:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-21 18:40:17.175086
- Title: AutoViewMem: Self-Configuring Orthogonal Views for Conversational Long-Term Memory
- Title（参考訳）: AutoViewMem: 会話型長期記憶のための自己構成直交ビュー
- Abstract要約: AutoViewMemは、長期会話メモリをインデックス化する前に、自己設定型の低オーバーラップセマンティックビューに整理する。
この表現優先設計は、意味的証明を検索時間から書き込み時間に移行し、標準的なトップK類似性探索により、明示的なルーティングや反復的な検索をすることなく、集中した証拠を検索できる。
- 参考スコア（独自算出の注目度）: 9.664219846744492
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long-term memory is essential for large language model (LLM) agents to maintain consistency and personalization over extended interactions. Existing memory systems typically rely on fixed granularities or static schemas, but these designs struggle when heterogeneous information, such as preferences, events, constraints, and temporal updates, is embedded in a single mixed representation. The resulting semantic interference makes top-K retrieval sensitive to noise and often leaves relevant evidence poorly ranked. We present AutoViewMem, a data-driven framework that organizes long-term conversational memory into self-configuring, low-overlap semantic views before indexing. AutoViewMem discovers candidate views from interaction traces, selects a compact complementary view set, and uses these views to guide write-time structured extraction of provenance-grounded memories. This representation-first design moves semantic disentanglement from retrieval time to write time, allowing standard top-K similarity search to retrieve focused evidence without explicit routing or iterative retrieval. We further apply offline consolidation to improve memory compactness and consistency. Experiments on the LoCoMo and PersonaMem benchmarks, under both Qwen3-8B and Qwen3-14B backbones, show that AutoViewMem improves long-horizon question answering and personalization over strong memory baselines while preserving a simple inference pipeline.
- Abstract（参考訳）: 長期記憶は、拡張された相互作用に対する一貫性とパーソナライゼーションを維持するために、大きな言語モデル(LLM)エージェントにとって不可欠である。
既存のメモリシステムは、通常、固定された粒度や静的スキーマに依存するが、これらの設計は、好み、イベント、制約、時間的更新といった異質な情報が1つの混合表現に埋め込まれている場合に苦労する。
結果として生じるセマンティック干渉は、トップK検索をノイズに敏感にし、しばしば関連する証拠を低いランクに残す。
本稿では,データ駆動型フレームワークであるAutoViewMemについて紹介する。
AutoViewMemは、インタラクショントレースから候補ビューを検出し、コンパクトな補完ビューセットを選択し、これらのビューを使用して、前立腺基底メモリの書き込み時構造化抽出をガイドする。
この表現第一の設計は、意味的ゆがみを検索時間から書き込み時間に移動させ、標準のトップK類似性探索は、明示的なルーティングや反復的な検索をすることなく、集中した証拠を検索できる。
さらに、オフラインのコンソリデーションを適用して、メモリのコンパクト性と一貫性を向上させる。
LoCoMoとPersonaMemベンチマークの実験では、Qwen3-8BとQwen3-14Bのバックボーンの下で、AutoViewMemは単純な推論パイプラインを保ちながら、強力なメモリベースライン上での長時間の質問応答とパーソナライズを改善している。
関連論文リスト
- Disentangling Long-Term Memory via Latent Neuro-Symbolic Reasoning [47.430887329861264]
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。
論文 参考訳（メタデータ） (2026-09-16T10:55:22Z) - QUMem: Personalized Memory for Query-Conditioned User-State Inference in LLM Agents [24.465097221083777]
textscQUMemは、クエリ条件付きユーザ状態推論のための構造化メモリフレームワークである。
textscQUMemはPersonaMemとKnowU-Benchの両方で最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2026-08-17T06:34:24Z) - MemPrism: Task-Conditioned Relational Memory Views for Long-Horizon Agents [14.296334759650918]
ロングホライゾンエージェントは、経験を再利用するためにメモリに依存しているが、既存のメモリシステムは、エビデンスを固定表現によって直接消費できると仮定している。
MemPrismはタスク条件付きリレーショナルメモリフレームワークで、永続的なエクスペリエンスストレージと意思決定時のワーキングメモリを分離する。
MemPrismは、特にトラジェクトリが長くなり、メモリトークンの消費が減少するにつれて、タスクパフォーマンスを継続的に改善する。
論文 参考訳（メタデータ） (2026-08-07T03:13:43Z) - 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) - Semantic-Aware Adaptive Visual Memory for Streaming Video Understanding [55.7992006853979]
SAVEMemは、セマンティックな認識をメモリ生成にもたらすフレームワークで、クエリ毎に検索スコープを適応させる。
SAVEMemは、メモリ生成にセマンティックな認識をもたらし、クエリ毎に検索範囲を適応させる、トレーニングフリーのデュアルステージフレームワークである。
論文 参考訳（メタデータ） (2026-05-08T15:40:40Z) - 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) - 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) - 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。