論文の概要: Stashbird: Efficient Speaker-Indexed Memory for Conversational Agents

• arxiv url: http://arxiv.org/abs/2609.34242v1
• Date: Mon, 28 Sep 2026 03:48:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 22:35:32.725089
• Title: Stashbird: Efficient Speaker-Indexed Memory for Conversational Agents
• Title（参考訳）: Stashbird:会話エージェントのための効率的な話者インデックスメモリ
• Abstract要約: Stashbird(スタシュバード)は、ソースエピソードを明示的な証明によって引き起こされたメモリ状態にリンクするエージェントメモリシステムである。 メモリをエピソードレコード、セマンティックリレーション、コミュニティの要約、永続的なグラフ状態に整理する。 LongMemEval-S や GroupMemBench では Hindsight よりも精度が高く、EverMemBench では同等の精度である。
• 参考スコア（独自算出の注目度）: 7.998260675433655
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI agents require memory that preserves information across user-agent exchanges, user-to-user conversations, and group conversations with or without agent participation, while supporting updates as evidence changes or is removed. We present Stashbird, an agent memory system that links source episodes to derived memory state through explicit provenance. Stashbird organizes memory into episodic records, semantic relations, community summaries, and persisted graph state, with lifecycle operations for incremental updates and episode-level deletion. We evaluate question-answering accuracy and model-facing workload across four long-term memory benchmarks. On LoCoMo, Stashbird uses 76.4x fewer ingestion prompt tokens than Graphiti. Compared with reproduced Hindsight on the same benchmark, it uses 8.1x fewer retrieval prompt tokens, with accuracy 1.6 percentage points lower. It achieves higher accuracy than Hindsight on LongMemEval-S and GroupMemBench and comparable accuracy on EverMemBench.
• Abstract（参考訳）: AIエージェントは、ユーザエージェント交換、ユーザ間会話、エージェントへの参加の有無にかかわらずグループ会話を含む情報を保存するメモリを必要とし、エビデンスの変更や削除として更新をサポートする。 本稿では、ソースエピソードと派生メモリ状態とを明示的な証明によってリンクするエージェントメモリシステムStashbirdについて述べる。 Stashbirdは、メモリをエピソードレコード、セマンティックリレーション、コミュニティの要約、永続的なグラフ状態に整理し、インクリメンタルアップデートとエピソードレベルの削除のためのライフサイクル操作を行う。 4つの長期メモリベンチマークにおいて,質問応答精度とモデル対応作業量を評価する。 LoCoMoでは、StashbirdはGraphitiよりも76.4倍少ない摂取プロンプトを使用する。 同じベンチマークで再現されたHindsightと比較すると、検索プロンプトトークンは8.1倍少なく、精度は1.6ポイント低い。 LongMemEval-S や GroupMemBench では Hindsight よりも精度が高く、EverMemBench では同等の精度である。

関連論文リスト

• TARL: Transaction-Aware Reliable Ledgers for Executable Memory Management in Long-Term Agents [20.123133746969398]
  メモリ状態更新フレームワークであるTARLを導入し、各ステートメントを5つの実行可能なアクションのうちの1つにマップする。 TARLは、影響を受けるメモリを特定し、その時間的スコープを解決し、ソースの信頼性を比較し、受け入れ、保留、拒否された台帳を更新する。 また、粒度の細かいアクションラベルと次の状態目標を持つベンチマークであるTARL-Memについても紹介する。
  論文  参考訳（メタデータ） (2026-08-04T14:02:55Z)
• 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)
• MemOps: Benchmarking Lifecycle Memory Operations in Long-Horizon Conversations [50.24315431387575]
  ライフサイクル操作のシーケンスとして会話メモリを再構成するベンチマークであるMemOpsを紹介する。 MemOpsは、それぞれのメモリイベントをトリガ、ターゲット、スコープ、状態遷移、エビデンスを指定した構造化トレースで表現する。 長いコンテキスト、検索ベース、パラメトリック、マネージドメモリシステムにわたって、MemOpsはファイナ・アンサーの精度のみを隠蔽する障害モードをアンタングルする。
  論文  参考訳（メタデータ） (2026-07-14T15:33:44Z)
• MemSyco-Bench: Benchmarking Sycophancy in Agent Memory [32.49512092540906]
  MemSyco-Benchは、エージェントシステムにおけるメモリ誘起性を評価するためのベンチマークである。 MemSyco-Benchは、いつメモリが決定に影響を及ぼすか、どのように有効なメモリを使用するかを測定する。
  論文  参考訳（メタデータ） (2026-07-01T15:30:33Z)
• The Past Is Prologue: A Plug-in Controller for Selective Updates in Sequentially Evolving LLM Memory [53.50071717647285]
  我々はJanusを提案する。Janusは、候補メモリの更新を受け付けるか、以前のメモリを保持するかを決定するプラグインメモリコントローラである。 Janus は Memory Momentum Trigger を使用して、メモリ更新軌道における不審な偏差を識別する。 Janusは、対応するベース更新器に対して、平均精度を+2.7から+4.6ポイント改善する。
  論文  参考訳（メタデータ） (2026-06-30T04:33:18Z)
• MEMPROBE: Probing Long-Term Agent Memory via Hidden User-State Recovery [58.64329475683699]
  我々は、長期記憶は監査可能な相互作用後のアーティファクトとして評価されるべきであると主張している。 我々は、メモリを備えたエージェントがシミュレーションユーザを支援するベンチマークであるMEMPROBEで、このビューをインスタンス化する。 私たちは、成功したアシストと回復可能なメモリが、異なる機能として振る舞うことに気付きました。
  論文  参考訳（メタデータ） (2026-06-23T13:52:46Z)
• 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)
• Mem-W: Latent Memory-Native GUI Agents [50.87647372904382]
  本稿では,メモリをエージェントの連続的コンテキストの一部として扱う,潜在メモリネイティブなGUIエージェントであるMem-Wを紹介する。 4つのWebおよびモバイルナビゲーションベンチマークで、Mem-Wはさまざまなバックボーンとメモリ拡張ベースラインを一貫して改善している。
  論文  参考訳（メタデータ） (2026-05-10T04:31:23Z)
• MemoryArena: Benchmarking Agent Memory in Interdependent Multi-Session Agentic Tasks [55.145729491377374]
  メモリを持つエージェントの既存の評価は、通常、単独で記憶と行動を評価する。 マルチセッションメモリ-エージェント環境ループにおけるエージェントメモリのベンチマークのための統合評価ジムであるMemoryArenaを紹介する。 MemoryArenaは、Webナビゲーション、優先制約付き計画、プログレッシブ情報検索、シーケンシャルなフォーマルな推論を含む評価をサポートする。
  論文  参考訳（メタデータ） (2026-02-18T09:49:14Z)

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。