Fugu-MT 論文翻訳(概要): Remember by Asking: Retrieval-Induced Memory Evolution for LLM Agents

論文の概要: Remember by Asking: Retrieval-Induced Memory Evolution for LLM Agents

arxiv url: http://arxiv.org/abs/2609.34438v1
Date: Mon, 28 Sep 2026 06:57:46 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-03 20:46:50.17632
Title: Remember by Asking: Retrieval-Induced Memory Evolution for LLM Agents
Title（参考訳）: LLMエージェントの検索によるメモリ進化
Abstract要約: RIMEは、メモリ構造をモノリシック圧縮からエビデンス中心の統合に移行する、検索誘起メモリフレームワークである。推論時には、圧縮されたメモリが唯一の証拠源というよりは、プライマリとして機能する。 Qwen3-235B-A22B と GPT-5.6 Sol による LoCoMo の実験は、RIME が常に最高の性能を達成することを示した。
参考スコア（独自算出の注目度）: 10.809831681526058
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Long-term memory is essential for language agents to maintain coherent and effective behavior over extended, multi-session interactions. Existing memory systems mainly use retrieval at read time, while write-time memory formation still relies on direct extraction or compression. However, when future information needs are unknown, compressing an entire interaction in one pass can overlook locally important details that may matter later. To this end, we introduce RIME, a retrieval-induced memory framework that shifts memory construction from monolithic compression toward evidence-centered integration. RIME uses generic self-questions to retrieve focused dialogue evidence and grounds memory formation in both the retrieved evidence and relevant historical memories, which are jointly reconciled into an evolving memory bank with temporal and provenance information. At inference time, compressed memory serves as the primary rather than the sole source of evidence: when it cannot support an answer, RIME retrieves relevant source dialogue together with its local context to recover information omitted during memory formation, without resorting to full-history processing. Extensive experiments on LoCoMo with Qwen3-235B-A22B and GPT-5.6 Sol show that RIME consistently achieves the best performance across all three quality metrics among the compared methods, while requiring substantially fewer query-time LLM tokens.
Abstract（参考訳）: 言語エージェントにとって長期記憶は、拡張されたマルチセッション相互作用に対する一貫性と効果的な振舞いを維持するために不可欠である。既存のメモリシステムは主に読み出し時に検索を使用するが、書き込み時のメモリ生成は直接抽出や圧縮に依存している。しかし、将来の情報要求が不明な場合、1回のパスで全てのインタラクションを圧縮すると、後ほど重要な重要な詳細をローカルで見落としてしまう。そこで本研究では,メモリ構築をモノリシック圧縮からエビデンス中心の統合へ移行させる検索駆動型メモリフレームワークRIMEを紹介する。 RIMEは、総合的な自己探究を用いて、集中した対話証拠を検索し、検索された証拠と関連する歴史的記憶の両方に記憶の形成を基盤とし、時間的および前兆的な情報とともに進化する記憶銀行に共同で調整する。推測時において、圧縮されたメモリは唯一の証拠源というよりは第一のものとして機能する: 応答をサポートできない場合、RIMEは関連するソースの対話をそのローカルコンテキストと共に検索し、完全な履歴処理に頼ることなく、メモリ形成時に省略された情報を復元する。 Qwen3-235B-A22B と GPT-5.6 Sol による LoCoMo の大規模な実験により、RIME は比較したメソッドの3つの品質指標で常に最高の性能を達成し、クエリ時間 LLM トークンをかなり少なくすることを示した。

関連論文リスト

Beyond Memory Construction: Rethinking Memory Access for LLM-based Conversational Agents [15.388928886536716]
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。
論文参考訳（メタデータ） (2026-09-27T05:07:21Z)
CueMem: Cue-Guided Context Reconstruction for Long-Term Conversational Memory [38.76918926805768]
CueMemは、抽出されたメモリレコードを検索キューとして扱うキュー誘導フレームワークである。ソースターンからクエリ関連対話コンテキストを再構築する。 LoCoMoとLongMemEvalの実験によると、CueMemは長期的なメモリベースラインを一貫して上回っている。
論文参考訳（メタデータ） (2026-09-11T02:27:22Z)
Where to Look and What to Use: Retrieve-Localize-Generate for Long-Term Conversational Memory Question Answering [42.31517185994942]
RAGは、外部知識にアクセスすることによって、大きな言語モデルで質問に答えることを可能にする。既存の方法は、時間的に離れたセッションに散在する断片化されたエビデンスと、中途半端な効果を誘発する検索セッション内のノイズのある内容の2つの主要な課題に悩まされている。本稿では,長期会話メモリQAのための検索・ローカライズ・ジェネレーション統合フレームワークであるMemLocを提案する。
論文参考訳（メタデータ） (2026-09-07T06:32:12Z)
UTILMEM: Benchmarking Evidence Utilization in Long-Term Conversational Memory [32.625416782173204]
メモリ使用率を評価するための診断ベンチマークであるUtilMemを紹介する。従来のファクトメモリベンチマークの強い性能は、有効メモリ利用に確実に変換されないことが判明した。これらの知見は,記憶されている情報へのアクセスと有効利用との間に大きなギャップを生じさせ,長期の会話記憶の進歩には,検索妨害に対する証拠統合と堅牢性を明確に支援するアーキテクチャが必要であることを示唆している。
論文参考訳（メタデータ） (2026-08-31T09:41:26Z)
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)
Rethinking How to Remember: Beyond Atomic Facts in Lifelong LLM Agent Memory [88.81430082035617]
LLMエージェントは、蓄積された対話履歴を忠実に保存し、効率的に検索し、深く推論できるメモリシステムを必要とする。本稿では,ソース識別子に固定された生の対話セグメントを含む3つの共存表現の粒度を格納するTriMemを提案する。
論文参考訳（メタデータ） (2026-05-19T15:05:06Z)
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)
Evaluating Long-Term Memory for Long-Context Question Answering [100.1267054069757]
質問応答タスクにアノテートした合成長文対話のベンチマークであるLoCoMoを用いて,メモリ拡張手法の体系的評価を行う。以上の結果から,メモリ拡張アプローチによりトークン使用率が90%以上削減され,競争精度が向上した。
論文参考訳（メタデータ） (2025-10-27T18:03:50Z)
In Prospect and Retrospect: Reflective Memory Management for Long-term Personalized Dialogue Agents [70.12342024019044]
大規模言語モデル(LLM)は、オープンエンド対話において大きな進歩を遂げているが、関連する情報の保持と取得ができないため、その有効性は制限されている。本稿では,長期対話エージェントのための新しいメカニズムであるリフレクティブメモリ管理(RMM)を提案する。 RMMは、LongMemEvalデータセットのメモリ管理なしでベースラインよりも10%以上精度が向上している。
論文参考訳（メタデータ） (2025-03-11T04:15:52Z)
SCM: Enhancing Large Language Model with Self-Controlled Memory Framework [54.33686574304374]
大きな言語モデル(LLM)は、長い入力を処理できないため、重要な歴史的情報が失われる。本稿では,LLMが長期記憶を維持し,関連する情報をリコールする能力を高めるための自己制御メモリ(SCM)フレームワークを提案する。
論文参考訳（メタデータ） (2023-04-26T07:25:31Z)

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。