論文の概要: EMIR$^2$: Evolution-Aware Memory with Intent-Guided Multi-Round Retrieval

• arxiv url: http://arxiv.org/abs/2609.32584v1
• Date: Sat, 26 Sep 2026 12:58:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 05:59:04.805927
• Title: EMIR$^2$: Evolution-Aware Memory with Intent-Guided Multi-Round Retrieval
• Title（参考訳）: EMIR$^2$: Intent-Guided Multi-Round Retrievalを用いた進化型メモリ
• Abstract要約: textscEMIR$2$は、時間的出来事の軌跡と明らかな関連によって支えられる進化した知識状態として長期記憶を表す。 textscEMIR$2$は、長期メモリ利用、動的および静的コンフリクトハンドリング、複雑な検索性能を改善する。
• 参考スコア（独自算出の注目度）: 14.913063067059555
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-term memory enables large language model (LLM) agents to leverage historical interactions for future tasks. However, existing memory systems struggle to utilize continuously evolving historical information, as they often rely on static memory representations and single-round retrieval strategies, failing to track factual changes or integrate distributed evidence across long-term interactions. To address these challenges, we propose \textsc{EMIR}$^{2}$, an \textbf{E}volution-Aware \textbf{M}emory framework with \textbf{I}ntent-Guided Multi-\textbf{R}ound \textbf{R}etrieval, enabling LLM agents to maintain evolving historical knowledge and adaptively retrieve relevant evidence. Specifically, \textsc{EMIR}$^{2}$ constructs a State-Evolving Memory Graph (SEMG) that represents long-term memory as evolving knowledge states supported by temporal event trajectories and evidential associations. By maintaining semantic states through evidence-based updates, SEMG preserves historical evolution and enables evidence tracing under complex and conflicting scenarios. Building upon this, we introduce an intent-guided multi-round retrieval mechanism that iteratively identifies missing evidence and expands retrieval based on accumulated information. Experiments on LoCoMo and MemConflict demonstrate that \textsc{EMIR}$^{2}$ improves long-term memory utilization, dynamic and static conflict handling, and complex retrieval performance, achieving relative improvements of more than 12\% in certain categories. These results highlight the effectiveness of jointly modeling memory evolution and adaptive evidence acquisition for long-term agent interactions.
• Abstract（参考訳）: 長期記憶により、大きな言語モデル(LLM)エージェントが将来のタスクに過去のインタラクションを活用することができる。 しかし、既存のメモリシステムは、しばしば静的なメモリ表現と単一ラウンドの検索戦略に依存しており、事実の変化を追跡したり、長期的な相互作用をまたいだ分散エビデンスを統合するのに失敗したため、継続的な歴史情報の活用に苦慮している。 これらの課題に対処するため、我々は、textbf{E}volution-Aware \textbf{M}emory framework with \textbf{I}ntent-Guided Multi-\textbf{R}ound \textbf{R}etrieval を提案する。 具体的には、textsc{EMIR}$^{2}$は、長期記憶を時間的事象の軌跡と明らかな関連によって支えられる進化的知識状態として表す状態進化メモリグラフ(SEMG)を構築する。 SEMGはエビデンスベースの更新を通じてセマンティックステートを維持することで、歴史的進化を保ち、複雑で矛盾するシナリオ下でエビデンス追跡を可能にする。 これに基づいて,意図誘導型多ラウンド検索機構を導入し,行方不明な証拠を反復的に識別し,蓄積した情報に基づいて検索を拡張する。 LoCoMo と MemConflict の実験では、 \textsc{EMIR}$^{2}$ が長期メモリ使用率、動的および静的コンフリクト処理、複雑な検索性能を改善し、特定のカテゴリにおいて 12\% 以上の相対的な改善を実現している。 これらの結果は,長期エージェント相互作用におけるメモリ進化と適応的エビデンス獲得の連成モデルの有効性を浮き彫りにした。

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)
• MemoryLACE: Memory Lifecycle-Aware Consolidation and Evidence Retrieval [25.208594041928354]
  ライトウェイトなメモリフレームワークであるMemoryLACEを導入し、テキスト証拠のライフサイクルを明示的にモデル化する。 MemLACEは、現在の、歴史的、支持的、矛盾する下流の推論の証拠を暴露する関係を意識した証拠単位を再構築する。 BEAM と StructMemEval 全体では、オープンウェイトでプロプライエタリな LLM バックボーンを使用して、MemLACE は、同じバックボーンの比較において最高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2026-09-02T22:33:51Z)
• 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)
• REAL: A Reasoning-Enhanced Graph Framework for Long-Term Memory Management of LLMs [17.526686616588794]
  大きな言語モデル(LLM)は、長い時間をかけてユーザーと対話することがますます期待されている。 LLMは過去のすべてのインタラクションを保持することができず、履歴情報の保存、更新、検索には長期記憶管理が不可欠である。 REALは長期会話記憶を時間的かつ信頼性に配慮したプロパティグラフとして構成する。
  論文  参考訳（メタデータ） (2026-06-09T10:53:10Z)
• Memory is Reconstructed, Not Retrieved: Graph Memory for LLM Agents [51.30250860677378]
  本稿では,連想記憶グラフとアクティブな再構成機構を組み合わせたフレームワークであるMRAgentを提案する。 Cue-Tag-Contentグラフ上で実行することで,メモリアクセスに直接推論を統合する。 LoCoMoベンチマークとLongMemEvalベンチマークの実験は、強いベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2026-06-04T11:29:46Z)
• SAM: State-Adaptive Memory for Long-Horizon Reasoning Agent [51.274445160155864]
  ロングホライゾンのエージェント推論は、思考、ツールコール、観察、部分的な結論を含む長い相互作用履歴を通して行動するために大きな言語モデルを必要とする。 既存のアプローチでは、インタラクション履歴の切り抜き、短いサロゲートに圧縮、あるいは再利用のために選択した部分を取得することで、この問題に対処している。 我々は、インテント駆動リコールのための生のトラジェクトリページを保持しながら、継続的なインタラクションをコンパクトなメモリキューに統合するスタンドアロンフレームワークであるState-Adaptive Memoryを提案する。
  論文  参考訳（メタデータ） (2026-05-23T08:37:16Z)
• 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)
• Evo-Memory: Benchmarking LLM Agent Test-time Learning with Self-Evolving Memory [89.65731902036669]
  Evo-Memoryは、大規模言語モデル(LLM)エージェントで自己進化型メモリを評価するための、ストリーミングベンチマークとフレームワークである。 10以上の代表的なメモリモジュールを評価し、10種類の多ターンゴール指向およびシングルターン推論およびQAデータセットで評価した。
  論文  参考訳（メタデータ） (2025-11-25T21:08:07Z)

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。