論文の概要: Propose, Verify, Commit: Evidence-Grounded Memory for Long-Horizon Multi-Actor Conversations
- arxiv url: http://arxiv.org/abs/2609.23465v1
- Date: Sun, 20 Sep 2026 08:51:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:00.834713
- Title: Propose, Verify, Commit: Evidence-Grounded Memory for Long-Horizon Multi-Actor Conversations
- Title（参考訳）: Propose, Verify, Commit: Evidence-Grounded Memory for Long-Horizon Multi-Actor Conversations
- Abstract要約: 本稿では,探索可能な状態マシンとして,長軸マルチアクタメモリを定式化するEGMEMORYを紹介する。
適応状態解決とエビデンスに基づく提案-検証-コミットプロトコルは、この状態の進化を規定する。
システムは、メモリ固有のポリシートレーニングなしで、プロンプトとツールの使用を通じて動作する。
- 参考スコア（独自算出の注目度）: 11.55217929164916
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long-horizon conversational memory is especially challenging in multi-actor settings, where relevant evidence is distributed across participants and contexts and previously established information may later be revised. We introduce EGMEMORY, which formulates long-horizon multi-actor memory as a searchable state machine that separates persistent message-level evidence from an explicit active state. At write time, adaptive state resolution and an evidence-grounded propose-verify-commit protocol govern how this state evolves. At read time, adaptive evidence navigation iteratively resolves the state and supporting evidence required for a query, using conversational structure to narrow the search space and lexical-semantic relevance to rank candidates. The system operates through prompting and tool use without memory-specific policy training. EGMEMORY achieves 68.2% on GroupMemBench and 77.9% on EverMemBench, outperforming the strongest evaluated baselines by 22.7 and 21.4 percentage points, respectively. It further reaches 73.6% on the dyadic LoCoMo benchmark, demonstrating generalization beyond multi-actor conversations. We will release the codebase upon formal publication.
- Abstract（参考訳）: 長期会話記憶は、複数のアクター設定において特に困難であり、関連する証拠が参加者やコンテキストに分散され、事前に確立された情報が後に修正される可能性がある。
本稿では,永続的なメッセージレベルの証拠を明示的なアクティブな状態から分離する検索可能な状態マシンとして,長水平マルチアクタメモリを定式化するEGMEMORYを紹介する。
書き込み時には、適応状態解決とエビデンスに基づく提案-検証-コミットプロトコルが、この状態がどのように進化するかを規定する。
読み込み時に、適応的エビデンスナビゲーションは、クエリに必要な状態を反復的に解決し、会話構造を用いて検索空間を狭め、候補をランク付けする語彙的セマンティックな関連性を利用して、クエリーに必要なエビデンスをサポートする。
このシステムは、メモリ固有のポリシートレーニングなしで、プロンプトとツールの使用を通じて動作する。
EGMEMORYはグループMemBenchで68.2%、EverMemBenchで77.9%、評価ベースラインで22.7と21.4を上回っている。
さらに、Dyadic LoCoMoベンチマークで73.6%に達し、マルチアクター会話以外の一般化を実証している。
正式公開時にコードベースをリリースします。
関連論文リスト
- Long-Horizon Embodied Decision-Making via Multimodal Memory Compression [71.16335993005139]
DunphyBenchは、長期的な人間中心の意思決定のエージェントを評価するための新しいベンチマークだ。
MeMentoは、ユーザの好みに基づいて決定関連情報を選択的に圧縮する、優先条件付きマルチモーダルメモリ圧縮機である。
MeMentoはVLM駆動エージェントの精度を7.18%向上させ、メモリ使用率を最強のベースラインに比べて85.38%削減する。
論文 参考訳（メタデータ） (2026-08-02T19:29:48Z) - 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) - MINTEval: Evaluating Memory under Multi-Target Interference in Long-Horizon Agent Systems [69.06764269022925]
本研究では,現在の記憶増強剤が現実的,干渉重大,長期的設定において果たす役割について検討する。
MINTEvalは、頻繁に更新される情報を備えた、長く高度に相互接続されたコンテキストを特徴とするベンチマークである。
MINTEvalは128.8kのトークンを平均で1インスタンスあたり1.8Mのトークンに拡張し、15.6kの質問応答ペアを持つ。
論文 参考訳（メタデータ） (2026-05-18T15:43:35Z) - 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) - GroupMemBench: Benchmarking LLM Agent Memory in Multi-Party Conversations [25.703133924514884]
大規模言語モデル(LLM)エージェントは、ますますパーソナルアシスタントや職場の協力者として機能している。
既存のメモリシステムとベンチマークは、Dyadicのシングルユーザ設定を中心に構築されている。
グループメモリの3つの特性を公開するベンチマークであるGroupMemBenchを紹介する。
論文 参考訳（メタデータ） (2026-05-14T07:38:29Z) - 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) - EverMemBench: Benchmarking Long-Term Interactive Memory in Large Language Models [16.865998112859604]
EverMemBenchは、100万以上のトークンにまたがる多人数のマルチグループ会話を特徴とするベンチマークである。
EverMemBenchは、1000以上のQAペアを通じて3次元にわたるメモリシステムを評価する。
論文 参考訳（メタデータ） (2026-02-01T16:13:08Z)
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。