論文の概要: Beyond Memory Construction: Rethinking Memory Access for LLM-based Conversational Agents

• arxiv url: http://arxiv.org/abs/2609.33226v1
• Date: Sun, 27 Sep 2026 05:07:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 02:05:10.776451
• Title: Beyond Memory Construction: Rethinking Memory Access for LLM-based Conversational Agents
• Title（参考訳）: メモリ構築を超えて - LLMベースの会話エージェントのメモリアクセスを再考する
• Abstract要約: Threaderは、メモリ構築から、生のインタラクションに対する効率的な構造認識アクセスへと焦点を移すメモリシステムである。 応答精度とエビデンスリコールを継続的に改善し、メモリ構築オーバーヘッドを大幅に削減する。
• 参考スコア（独自算出の注目度）: 15.388928886536716
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Memory is a core component of conversational agents, enabling coherent and context-aware behavior over long interactions. Recent approaches commonly rely on LLM-based memory construction, where raw interactions are rewritten into structured memory units and later retrieved via a RAG pipeline. While effective in controlled settings, we show that this paradigm breaks down in long-horizon, high-entropy conversations: memory construction becomes increasingly lossy and unstable as context length and information complexity grow, and incurs prohibitive cost due to repeated LLM invocation. To address these limitations, we propose Threader, a memory system that shifts the focus from memory construction to efficient, structure-aware access over raw interactions. Instead of rewriting interactions, Threader preserves them as first-class memory, organizes them into topic-coherent segments via lightweight incremental segmentation, and enables accurate retrieval through multi-view representation. At query time, it performs multi-signal retrieval that combines segment-level access with localized evidence matching, ensuring both completeness and coherence. Extensive experiments demonstrate that Threader consistently improves answer accuracy and evidence recall, while significantly reducing the memory construction overhead.
• Abstract（参考訳）: メモリは会話エージェントの中核的なコンポーネントであり、長時間のインタラクションに対する一貫性とコンテキスト認識の動作を可能にする。 近年のアプローチはLLMベースのメモリ構造に依存しており、生のインタラクションは構造化されたメモリユニットに書き直され、後にRAGパイプラインを介して取得される。 制御された環境下では,このパラダイムは長期的,高エントロピーな会話において分解され,記憶構造は文脈長や情報複雑性が増大するにつれてますます損なわれ不安定になり,繰り返しLLMの実行による禁止コストが発生する。 これらの制約に対処するため,メモリ構築から生のインタラクションに対する効率的な構造認識アクセスへ焦点を移すメモリシステムThreaderを提案する。 インタラクションを書き換える代わりに、Threaderはそれらをファーストクラスのメモリとして保存し、軽量なインクリメンタルセグメンテーションを通じてトピックコヒーレントセグメントに整理し、マルチビュー表現による正確な検索を可能にする。 クエリ時に、セグメントレベルのアクセスとローカライズされたエビデンスマッチングを組み合わせたマルチシグナル検索を行い、完全性とコヒーレンスの両方を保証する。 大規模な実験では、Threaderは応答精度とエビデンスリコールを継続的に改善し、メモリ構築オーバーヘッドを大幅に削減する。

関連論文リスト

• Infini Memory: Maintainable Topic Documents for Long-Term LLM Agent Memory [19.802226925602927]
  長期的なLLMエージェントは、変化する事実を追跡し、セッション間で関連する証拠を提供する、永続的なメモリを必要とする。 Infini Memoryは、エージェントメモリをトピック構造化文書として扱う、保守可能なテキストベースの永続メモリアーキテクチャである。
  論文  参考訳（メタデータ） (2026-06-09T10:31:51Z)
• 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)
• RecMem: Recurrence-based Memory Consolidation for Efficient and Effective Long-Running LLM Agents [16.625864201773343]
  RecMemは、受信するインタラクションをサブ意識のメモリ層に格納し、軽量な埋め込みモデルを使用してエンコードする。 実験により、RecMemは3つのSOTAメモリシステムのメモリ構築トークンコストを最大87%削減し、精度を上回ります。
  論文  参考訳（メタデータ） (2026-05-15T15:17:36Z)
• MemGround: Long-Term Memory Evaluation Kit for Large Language Models in Gamified Scenarios [33.8882826707344]
  MemGroundは、リッチでゲーミフィケーションされたインタラクティブシナリオを基盤とした、厳格な長期メモリベンチマークである。 メモリ利用と行動軌跡の両方を包括的に定量化するために,多次元計量スイートを提案する。
  論文  参考訳（メタデータ） (2026-03-23T02:57:39Z)
• MemMA: Coordinating the Memory Cycle through Multi-Agent Reasoning and In-Situ Self-Evolution [52.29303869050117]
  メモリ拡張LDMエージェントは、長期の相互作用をサポートするために外部メモリバンクを保持する。 MemMAはプラグアンドプレイのマルチエージェントフレームワークで、前方と後方の両方の経路に沿ってメモリサイクルを調整する。
  論文  参考訳（メタデータ） (2026-03-19T10:15:59Z)
• 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)
• From Single to Multi-Granularity: Toward Long-Term Memory Association and Selection of Conversational Agents [79.87304940020256]
  大言語モデル(LLM)は会話エージェントで広く採用されている。 MemGASは、多粒度アソシエーション、適応選択、検索を構築することにより、メモリ統合を強化するフレームワークである。 4つの長期メモリベンチマークの実験により、MemGASは質問応答と検索タスクの両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-26T06:13:07Z)

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。