論文の概要: EngramRAG: Dynamic Usage-Weighted Topology and Synaptic Consolidation for Multi-Hop Agentic Memory

• arxiv url: http://arxiv.org/abs/2609.32049v1
• Date: Fri, 25 Sep 2026 22:28:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 03:33:46.261282
• Title: EngramRAG: Dynamic Usage-Weighted Topology and Synaptic Consolidation for Multi-Hop Agentic Memory
• Title（参考訳）: EngramRAG:マルチホップエージェントメモリのための動的使用量トポロジーとシナプス統合
• Abstract要約: 本稿では,低対人覚醒状態反射と非同期バックグラウンドドリーミング統合サイクルを結合した適応型メモリアーキテクチャであるEngramRAGを提案する。 時間的推論では、EngramRAG は62.33% Recall@5 (+16.67 points over dense vectors) に達する。 本研究では,EngramRAGが高密度ベクトルRAGよりも8.9%改善したことを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As autonomous LLM agents are deployed across multi-session environments, conventional memory architectures suffer from Associative Blindness (inability to traverse multi-hop relational dependencies), Scaffolding Amnesia (temporal decay evicting core persona invariants), and Static Topology Stagnation (immutable graphs ignoring usage dynamics). Grounded in Complementary Learning Systems (CLS) principles, we propose EngramRAG, an adaptive memory architecture coupling a low-latency Waking State reflex with an asynchronous background Dreaming State consolidation cycle. EngramRAG introduces: (1) Usage-Modulated Personalized PageRank (U-PPR), where transition probabilities adapt via Hebbian plasticity to promote persistent entities into high-centrality Epistemic Macro-Hubs; (2) Consolidation-Activated Topology Decay (CATD), which scales retention half-life by topological load-bearing weight rather than wall-clock recency, protected by a cold-start grace period (N_grace >= 4); (3) Directed SUPERSEDES DAG filtering to suppress obsolete state during fact mutations; and (4) Triple-source hybrid retrieval fusing dense vectors, BM25, and U-PPR via dynamic Reciprocal Rank Fusion (RRF). Evaluating on all 1,982 QA pairs across 10 long-term conversations in the LoCoMo benchmark, EngramRAG achieves +38.9% relative improvement in Recall@5 (53.21% vs. 38.29%, p < 0.001) and +43.1% in MRR (0.4203 vs. 0.2937) over dense vector RAG, significantly outperforming Okapi BM25 (48.66%) and isolated static graph retrieval (8.50%). On temporal reasoning, EngramRAG reaches 62.33% Recall@5 (+16.67 points over dense vectors). In controlled mutation tests, SUPERSEDES suppresses split-brain hallucinations from 70.0% to 0.0%, while 90-day simulations show 100.0% scaffolding retention under a 26.21ms interactive retrieval reflex.
• Abstract（参考訳）: 自律型LLMエージェントはマルチセッション環境に展開されるため、従来のメモリアーキテクチャでは、連想的盲点(マルチホップ関係性に依存しない)、スキャッディング・アムネシア(コアペルソナ不変量を排除する時間的減衰)、静的トポロジ・スタグランネーション(使用力学を無視する不変グラフ)に悩まされている。 本稿では,CLS(Complementary Learning Systems)の原則を基礎として,低遅延覚醒状態反射と非同期バックグラウンドDreaming State統合サイクルを結合した適応型メモリアーキテクチャであるEngramRAGを提案する。 EngramRAGは,(1)Habian の可塑性による遷移確率の適応による高中央集権性マクロ・ハブへの持続的な実体の促進,(2) 壁面の回帰よりもトポロジカル負荷による半減期を拡大するコンソリデーション活性化トポロジック・デケイ(CATD),(3) コールドスタートの優越期間(N_grace >= 4)による保護,(3) シューペルSEDES DAG のフィルタリング,(4) 複雑なベクトル、BM25 および U-PPR によるトリプルソースハイブリッド検索(reciprocal rank,FRR)を紹介した。 LoCoMoベンチマークの10の長期会話における1,982対の評価では、EngramRAG は Recall@5 (53.21% vs. 38.29% vs. p < 0.001) と MRR (0.4203 vs. 0.2937) において38.9% の相対的な改善を達成し、Opi BM25 (48.66%) と孤立静的グラフ検索 (8.50%) を著しく上回っている。 時間的推論では、EngramRAGは62.33% Recall@5 (+16.67) に達する。 制御突然変異試験では、SUPERSEDESはスプリットブレイン幻覚を70.0%から0.0%に抑制し、90日間のシミュレーションでは26.21msのインタラクティブな検索反射の下で100.0%の足場保持を示す。

関連論文リスト

• On the Design of Qwen3.8-Next Architecture: Evaluation, Efficiency, and Training Stability [57.03393882933515]
  Qwen3.8-Flash-Nextは125Bパラメータ、トークンあたり6Bアクティベートされ、加速器から保持されるn-gram埋め込みテーブルの51Bパラメータを持つスパースミックス・オブ・エキスパートモデルである。 トレーニング前の14のベンチマークでは、このモデルは前モデルの397B-A17Bを8点、残りを少なくとも2.6ポイント、アクティベートされたパラメータが1/3、トレーニングトークンが1/3、トレーニング用FLOPが1/9であった。
  論文  参考訳（メタデータ） (2026-08-31T06:35:07Z)
• Chameleon: An Adaptive AI-Driven Honeypot Architecture Using Threat-Calibrated Particle Swarm Optimization and Semantic Deception Rapidly-Exploring Random Trees [0.0]
  低コストの商用偽装製品は、応答エンジンがリアルタイムモデル駆動のフィードバックに結びついていないという、関連する弱点を共有している。 メカニズムは、両方の欠点に対処するために、オープンに分散されたアダプティブなハニーポットプラットフォームである。
  論文  参考訳（メタデータ） (2026-08-15T20:30:14Z)
• Similarity-Guided Curriculum Fine-Tuning of LLMs for Neural Architecture Synthesis [48.83701310501069]
  ニューラルアーキテクチャ探索(NAS)のためのニューラルネットワークコードにプログレッシブなカリキュラムを構築するMinHashベースの類似性スケジューリングフレームワークを導入する。 我々は,CIFAR-10画像分類におけるLEMURベンチマークにおいて,オリンピックコード7Bの枠組みを評価する。 SVHNでは,カリキュラムなしの直接ベースモデル生成により,CIFAR-10相当値よりもかなり低い精度(60.5%)で27%のSRが得られる。
  論文  参考訳（メタデータ） (2026-07-13T14:14:30Z)
• Human-Inspired Memory Architecture for LLM Agents [0.9507070656654629]
  6つの認知機構からなる生体記憶アーキテクチャを提案する。 各メカニズムは、単純メモリ蓄積の特定の障害モードに対処する。 S層スケール(50セッション)では、デダップベースのコンソリデーションにより、好みのリコールが+13.3pp向上する。
  論文  参考訳（メタデータ） (2026-05-08T22:52:37Z)
• Self-Aware Vector Embeddings for Retrieval-Augmented Generation: A Neuroscience-Inspired Framework for Temporal, Confidence-Weighted, and Relational Knowledge [0.0]
  現代の検索拡張生成(RAG)システムは、ベクトル埋め込みを静的で文脈に依存しないアーティファクトとして扱う。 このフレームワークは,3つの明示的な特性 – 時間的認識,信頼の低下,関係的認識 – で密着な埋め込みを強化するものだ。
  論文  参考訳（メタデータ） (2026-04-22T14:13:50Z)
• Soft Clustering Anchors for Self-Supervised Speech Representation Learning in Joint Embedding Prediction Architectures [45.74430728311433]
  JEPA(Joint Embedding Predictive Architectures)は、自己教師型音声表現学習において有望なアプローチを提供するが、明示的な根拠なしに表現の崩壊に悩まされる。 本稿では,GMM-Anchored JEPAを提案する。GMM-Anchored JEPAはガウス混合モデルの対数メル分光法に一度適合し,凍結した軟体後部をトレーニングを通して補助目標とする。 50k時間音声では、GMMアンカーがASR(28.68% vs. 33.22% WER)、感情認識(67.76% vs. 65.46%)、スロットフィリング(64.7% vs. 59.1% F1)を改善している。
  論文  参考訳（メタデータ） (2026-01-30T20:51:37Z)
• Stabilizing autoregressive forecasts in chaotic systems via multi-rate latent recurrence [0.24554686192257422]
  階層型暗黙予測器であるMSR-HINEを導入し、異なる時間スケールで動作させるマルチレート繰り返しモジュールを用いて、マルチスケールの潜伏先行を増大させる。 2つの標準ベンチマークで、MSR-HINEはU-Netの自己回帰ベースラインよりも大幅に向上する。
  論文  参考訳（メタデータ） (2026-01-20T21:16:37Z)
• Time Is a Feature: Exploiting Temporal Dynamics in Diffusion Language Models [57.474294329887236]
  拡散大言語モデル (dLLMs) は反復的 denoising を通じてテキストを生成する。 現在のデコード戦略は、最終的な出力に有利なリッチな中間予測を捨てている。 時間的整合性を利用する2つの相補的手法を導入する。
  論文  参考訳（メタデータ） (2025-08-12T17:59:57Z)
• Memory-efficient Low-latency Remote Photoplethysmography through Temporal-Spatial State Space Duality [15.714133129768323]
  ME-rは時間空間空間双対性に基づくメモリ効率のアルゴリズムである。 最小の計算オーバーヘッドを維持しながら、顔フレーム間の微妙な周期的な変動を効率的に捉える。 我々のソリューションは3.6MBのメモリ使用率と9.46msのレイテンシでリアルタイムの推論を可能にする。
  論文  参考訳（メタデータ） (2025-04-02T14:34:04Z)

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。