論文の概要: EnSIMem: Entity-Structured Indexing for Long-Term Agent Memory
- arxiv url: http://arxiv.org/abs/2609.27279v1
- Date: Wed, 23 Sep 2026 03:09:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:17.852745
- Title: EnSIMem: Entity-Structured Indexing for Long-Term Agent Memory
- Title（参考訳）: EnSIMem: 長期エージェントメモリのためのEntity-Structured Indexing
- Abstract要約: 本稿では,エージェントのためのエンティティ構造化長期記憶アーキテクチャであるEnSIMemを紹介する。
オフライン構築中、システムはインタラクションをテーマコヒーレントなエピソードにまとめる。
オンラインインタラクションの間、エージェントの要求はエビデンス要件に分解される。
EnSIMemは、コンパクトなコンテキストを維持しながら高い応答精度を達成する。
- 参考スコア（独自算出の注目度）: 18.309238099026107
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: An agent that interacts with users over long periods must recall facts, preferences, events, and changes from a continuously growing interaction history. Existing memory systems often compress interactions into generic summaries or retrieve anonymous text chunks, making it difficult for an agent to identify the correct entity, property, and supporting evidence. We present EnSIMem, an entity-structured long-term memory architecture for an agent. During offline construction, the system organizes interactions into theme-coherent episodes and builds dialogue-grounded index entries of the form [entity][entity type][property:value]. Each entry preserves its source turns, temporal information, and available multimodal fields. During online interaction, the agent's request is decomposed into evidence requirements whose properties are aligned with the memory index. Entity-property lookup and adaptive retrieval then collect the evidence needed for point, temporal, compositional, and aggregation reasoning. The agent generates its response from the preserved source evidence rather than from lossy memory summaries. On long-term agent-memory benchmarks, EnSIMem achieves high answer accuracy while maintaining compact contexts and favorable online efficiency. These results show that entity-structured indexing and episode-level provenance provide a reliable foundation for long-term memory in agents. The code of our model is available at https://github.com/RamonMeng/EnSIMem.
- Abstract（参考訳）: 長期間にわたってユーザーと対話するエージェントは、継続的に成長するインタラクション履歴から事実、好み、イベント、変化を思い出さなければならない。
既存のメモリシステムは、しばしば相互作用を一般的な要約に圧縮したり、匿名のテキストチャンクを検索するので、エージェントが正しいエンティティ、プロパティ、そして証拠を識別することが困難になる。
本稿では,エージェントのためのエンティティ構造化長期記憶アーキテクチャであるEnSIMemを紹介する。
オフライン構築中、システムは対話をテーマコヒーレントなエピソードに整理し、[entity][entity type][property:value]という形式の対話型インデックスエントリを構築する。
各エントリは、元のターン、時間情報、利用可能なマルチモーダルフィールドを保存する。
オンラインインタラクションの間、エージェントの要求は、メモリインデックスとプロパティが一致したエビデンス要件に分解される。
エンティティプロパティのルックアップと適応的な検索は、ポイント、時間的、構成的、集約的推論に必要な証拠を収集する。
エージェントは、失われたメモリサマリーではなく、保存されたソースエビデンスから応答を生成する。
長期のエージェントメモリベンチマークでは、EnSIMemは、コンパクトなコンテキストを維持し、良好なオンライン効率を維持しながら、高い応答精度を達成する。
これらの結果から, エージェントの長期記憶の基盤として, 実体構造的索引付けとエピソードレベルの証明が有効であることが示唆された。
私たちのモデルのコードはhttps://github.com/RamonMeng/EnSIMem.comで公開されています。
関連論文リスト
- Memory Control Signals Emerge Before Action in Long Horizon Agents [55.84813053778976]
各エージェントアクションの直前に隠された状態を調べ、圧縮とリコールの要求がモデルの内部表現にすでにエンコードされていることを確認する。
本研究では,状態誘導圧縮と外部エビデンス検索を組み合わせたPreaction Memory with Evidence Retrieval (PaMER)を提案する。
論文 参考訳（メタデータ） (2026-09-23T03:23:34Z) - 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) - ViSAGE: Constructing Self-Correcting Memories for Long-Form Video Understanding [11.461394531496397]
ViSAGEは、自己修正、エンティティ中心のメモリを構築するマルチモーダルなエージェントメモリフレームワークである。
これは、遅延したアイデンティティの証拠を伝播させ、過去の記録を遡って統一し、将来の推論を改善するために、双方向のメモリリファインメントを適用している。
その結果、ViSAGEは最強のベースラインを一貫して上回り、精度は5.9%向上した。
論文 参考訳（メタデータ） (2026-07-29T10:25:23Z) - 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) - 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) - FS-Researcher: Test-Time Scaling for Long-Horizon Research Tasks with File-System-Based Agents [53.03492387564392]
我々はFS-Researcherを紹介した。FS-Researcherはファイルシステムベースのフレームワークで、永続的なワークスペースを通じてコンテキストウィンドウを超えて深い研究をスケールする。
Context Builderエージェントはインターネットを閲覧し、構造化されたノートを書き、ソースを階層的な知識ベースにアーカイブする。
その後、レポートライターエージェントが最終レポートセクションをセクションごとに構成し、知識ベースを事実のソースとして扱う。
論文 参考訳（メタデータ） (2026-02-02T03:00:19Z) - AMA: Adaptive Memory via Multi-Agent Collaboration [54.490349689939166]
複数の粒度にまたがるメモリ管理に協調エージェントを活用する新しいフレームワークであるAMA(Adaptive Memory via Multi-Agent Collaboration)を提案する。
AMAは、ステート・オブ・ザ・アートのベースラインを著しく上回り、トークンの消費をフルコンテキストの手法と比べて約80%削減する。
論文 参考訳（メタデータ） (2026-01-28T08:09:49Z) - MemoriesDB: A Temporal-Semantic-Relational Database for Long-Term Agent Memory / Modeling Experience as a Graph of Temporal-Semantic Surfaces [0.0]
我々はMemoriesDBを紹介した。MemoriesDBは時間的、意味的、関係的な非一貫性を避けるために設計された統一データアーキテクチャである。
それぞれのメモリはタイムセマンティック・リレーショナルなエンティティであり、イベントが発生した時に同時にエンコードし、それが何を意味するのか、どのように他のイベントに接続するかを示す。
論文 参考訳（メタデータ） (2025-11-09T01:41:55Z) - LiCoMemory: Lightweight and Cognitive Agentic Memory for Efficient Long-Term Reasoning [15.189701702660821]
LiCoMemoryはリアルタイム更新と検索のためのエンドツーエンドのエージェントメモリフレームワークである。
CoGraphは、エンティティとリレーションをセマンティックインデックス層として利用する、軽量な階層グラフである。
長期の対話ベンチマークであるLoCoMoとLongMemEvalの実験では、LiCoMemoryは時間的推論、マルチセッション一貫性、検索効率において確立されたベースラインを上回るだけでなく、更新レイテンシも顕著に低減している。
論文 参考訳（メタデータ） (2025-11-03T11:02:40Z)
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。