論文の概要: Contract Memory Compiler: Resolve, Then Traverse

• arxiv url: http://arxiv.org/abs/2609.32658v1
• Date: Sat, 26 Sep 2026 14:17:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 21:37:48.08472
• Title: Contract Memory Compiler: Resolve, Then Traverse
• Title（参考訳）: コントラクトメモリコンパイラ: Resolve と Traverse
• Abstract要約: 外部メモリでは、言語モデルエージェントが応答モデルのコンテキストウィンドウの履歴に関する質問に答えるのに時間がかかりすぎる。 この更新依存型エビデンス選択問題について検討し,CMC(Contract Memory Compiler)を導入する。 CMCはFactConsolidationで最先端のマルチホップ精度を達成し、全体の78.25%、262Kで61.0%に達した。
• 参考スコア（独自算出の注目度）: 13.57955669787057
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: External memory lets language-model agents answer questions about histories too long for the answer model's context window. Updates create a harder problem than retrieving a recent fact: changing one relation can redirect a multi-hop question to records about an entity absent from the question. We study this update-dependent evidence selection problem and introduce the Contract Memory Compiler (CMC). Before seeing a question, CMC uses a language model to identify relations in the history and record where each one was stated. It applies later updates to determine the current relations, follows them from entities named in the question, and passes the corresponding original records to the answer model in one call. Thus the current state determines which evidence is read, rather than merely refreshing values in a previously selected context. To the best of our knowledge, CMC achieves state-of-the-art multi-hop accuracy on FactConsolidation, reaching 78.25% overall and 61.0% at 262K. With the extracted relations and answer model held fixed, selecting evidence before resolving updates reduces multi-hop accuracy to 21.50%. We also introduce MQuAKE-MemStream, a derived dataset of ordered memory streams built from MQuAKE-Remastered counterfactual cases.
• Abstract（参考訳）: 外部メモリでは、言語モデルエージェントが応答モデルのコンテキストウィンドウの履歴に関する質問に答えるのに時間がかかりすぎる。 1つの関係を変更することで、マルチホップの質問を、質問から欠落しているエンティティのレコードにリダイレクトすることができます。 本稿では,この更新依存型エビデンス選択問題について検討し,契約メモリコンパイラ(CMC)を紹介する。 質問を見る前に、CMCは言語モデルを使用して、歴史と記録のそれぞれがどこに記載されたかを特定する。 後続のアップデートを適用して現在の関係を判断し、質問に名前のついたエンティティからそれに従い、対応する元のレコードを1回の呼び出しで応答モデルに渡す。 したがって、現在の状態は、以前選択されたコンテキストで単に値をリフレッシュするのではなく、どのエビデンスを読むかを決定する。 我々の知る限り、CMCはFactConsolidationで最先端のマルチホップ精度を達成し、全体の78.25%、262Kで61.0%に達した。 抽出された関係と解答モデルが固定され、更新を解決する前に証拠を選択すると、マルチホップの精度は21.50%に低下する。 また、MQuAKE-MemStreamは、MQuAKE-Remasteredの対実ケースから構築された順序付きメモリストリームの派生データセットである。

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)
• A Graph-Native Bitemporal Memory Store for Conversational AI Agents [0.0]
  HNSWベクトルインデックスとフルバイテンポラルデータモデルで拡張したエージェントローカルなNeo4jプロパティグラフについて述べる。 各メモリは、2つの閉時間間隔を持つバージョニングされたコンテンツノードにリンクされた不変のアイデンティティノードとして格納される。 このシステムは,長期記憶を強調するために設計された6つの質問タイプにまたがる500クエストベンチマークであるLongMemEvalで評価する。
  論文  参考訳（メタデータ） (2026-07-29T06:40:52Z)
• TRACE: State-Aware Query Processing over Temporal Evidence Graphs for Conversational Data [15.389000154441986]
  本稿では,時間的エビデンスグラフ上の問合せ処理フレームワークTRACEについて述べる。 TRACEは、イベント、セッション、トピックにまたがる階層的なグラフとして会話をモデル化する。 問合せ時に、TRACEは、ベクトルベースのノート検索とグラフ誘導エビデンス検索を組み合わせることで、妥当性を意識したサポートパスと、回答生成のためのハイブリッドコンテキストを生成する。
  論文  参考訳（メタデータ） (2026-07-01T02:28:47Z)
• MemQ: Integrating Q-Learning into Self-Evolving Memory Agents over Provenance DAGs [47.66730296440261]
  我々は,新たなメモリが生成されるたびに記憶が取得されたことを記録した証明DAGを通じて,クレジットを後方に伝播するMemQを紹介した。 6つのベンチマークで、MemQは、一般化評価とランタイム学習の6つすべてで最高成功率を達成した。 さらに、$と$がEC-MDP構造とどのように相互作用するかを研究し、パラメータ選択と将来の研究の原則的なガイダンスを提供する。
  論文  参考訳（メタデータ） (2026-05-08T18:30:24Z)
• Knowledge Editing for Multi-Hop Question Answering Using Semantic Analysis [4.926795473283984]
  大規模言語モデル(LLM)は、時代遅れになった保存された情報を更新する軽量な方法を必要とする。 我々はCHECKと呼ばれる意味分析に基づくMQAの知識エディタを提案する。
  論文  参考訳（メタデータ） (2025-07-29T19:58:22Z)
• Multi-hop Question Answering under Temporal Knowledge Editing [9.356343796845662]
  知識編集(KE)におけるマルチホップ質問応答(MQA)は,大規模言語モデルの時代において大きな注目を集めている。 KEの下でのMQAの既存のモデルは、明示的な時間的コンテキストを含む質問を扱う場合、パフォーマンスが劣っている。 TEMPoral knowLEdge augmented Multi-hop Question Answering (TEMPLE-MQA) を提案する。
  論文  参考訳（メタデータ） (2024-03-30T23:22:51Z)
• MQuAKE: Assessing Knowledge Editing in Language Models via Multi-Hop Questions [75.21713251369225]
  編集されたモデルが正しい解答を行うかどうかを評価するマルチホップ質問を含むベンチマークMQuAKEを提案する。 本稿では,メモリベースのアプローチであるMeLLoを提案する。これは,編集された事実に整合した回答を生成するために,言語モデルを反復的に促しながら,すべての編集された事実を外部に保存する。
  論文  参考訳（メタデータ） (2023-05-24T06:48:41Z)
• Realistic Conversational Question Answering with Answer Selection based on Calibrated Confidence and Uncertainty Measurement [54.55643652781891]
  対話型質問回答モデル(ConvQA)は,会話中に複数回発生した質問文と過去の質問文のペアを用いて質問に回答することを目的としている。 本稿では,会話履歴における不正確な回答を,ConvQAモデルから推定された信頼度と不確実性に基づいてフィルタリングすることを提案する。 我々は2つの標準ConvQAデータセット上で、回答選択に基づくリアルな会話質問回答モデルの有効性を検証する。
  論文  参考訳（メタデータ） (2023-02-10T09:42:07Z)

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。