論文の概要: Memory Consolidation Flattens the Temporal Shape of User Facts

• arxiv url: http://arxiv.org/abs/2609.36457v1
• Date: Tue, 29 Sep 2026 01:19:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.086743
• Title: Memory Consolidation Flattens the Temporal Shape of User Facts
• Title（参考訳）: メモリ・コンソリデーションはユーザ・ファクトの時間的形状を表わす
• Abstract要約: 長期記憶システムは会話を短い記憶音に変換する。 メモは、その事実がまだ保持されているかどうかの証拠を失いながら、ユーザーの事実を保持できる。 メモリライターはアスペクトを選択的にフラットにする。
• 参考スコア（独自算出の注目度）: 2.369245595866167
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-term memory systems turn conversations into short stored notes. A note can keep a user fact while losing evidence about whether the fact still holds. For example, "I am driving a Peugeot" can become "The user drives a Peugeot," which drops the cue that the activity is ongoing. We call this aspectual flattening and measure it with LAPSE, a benchmark of matched user statements that differ only in temporal form. We find that memory writers flatten aspect selectively. Three writer models flattened the progressive statement but kept its simple-present match in 244 of 381 pairs, never the reverse. The asymmetry holds in all 11 model configurations tested and in the installed pipelines mem0, Graphiti, and Letta. The lost cue matters to later readers. In exploratory tests, changing only the stored verb shifted all three readers' estimates that a fact still holds. When readers could ask the user before acting, two of three acted without asking more often on flattened notes. Our planned memory-use task could not detect this, because readers there acted on almost every stored fact, even expired ones. Memory writing can thus remove evidence that later models use to decide whether to act.
• Abstract（参考訳）: 長期記憶システムは会話を短い記憶音に変換する。 メモは、その事実がまだ保持されているかどうかの証拠を失いながら、ユーザーの事実を保持できる。 例えば、"I am driving a Peugeot" は "The user drive a Peugeot" となり、活動が進行中のキューをドロップする。 私たちはこれをアスペクトフラット化と呼び、時間形式のみが異なる一致したユーザステートメントのベンチマークであるLAPSEで測定します。 メモリライターはアスペクトを選択的にフラットにする。 3つのライターモデルがプログレッシブステートメントをフラットにしたが、シンプルに表現されたマッチは381対中244対に留まった。 非対称性は、テストされた11のモデル構成と、インストールされたパイプライン mem0, Graphiti, Letta に保持される。 失われたキューは後の読者にとって重要なものだ。 探索試験では、記憶された動詞のみを変更することで、事実がまだ保持されている3つの読者の見積もりが変わった。 読者が演技前にユーザーを尋ねることができたとき、3人のうち2人は平らな音符を尋ねることなく行動した。 私たちの計画したメモリ使用タスクは、ほとんどすべての記憶された事実、期限切れのものでも、これを検出することができませんでした。 メモリ書き込みは、後のモデルが行動するかどうかを決定するために使用する証拠を取り除くことができる。

関連論文リスト

• Keep It InMind: Benchmarking the Implicit-Association Blind Spot in Agent Memory [32.094723684433895]
  長期記憶システムは、ユーザが外部ストアで言ったことを格納し、関連するクエリが到着したときにそれを検索する。 このインターフェースは、非常に自然な仮定に基づいており、滅多に述べられません:必要なメモリは、それを必要とするクエリに似ているでしょう。 この障害モードを暗黙の連想盲点と呼び、10つの生命ドメインにまたがるベンチマークであるInMindを紹介します。
  論文  参考訳（メタデータ） (2026-07-27T12:42:12Z)
• 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)
• A-TMA: Decoupling State-Aware Memory Failures in Long-Term Agent Memory [7.7803190371583]
  我々は,記憶バンク内に共存する古い,現在の,遷移の事実が検索中に混在している状態調整障害であるemphghostメモリについて検討し,その解答モデルを誤導する。 我々は,既存のメモリシステムのための状態認識オーバレイであるATMAを提案する。ATMAは,銀行内における過大評価とトランジションの記録を保持し,現在,歴史,およびトランジションラベルをQAに公開する。
  論文  参考訳（メタデータ） (2026-07-02T09:28:29Z)
• MemTrace: Probing What Final Accuracy Misses in Long-Term Memory [39.696350769003104]
  測定単位が知識点であるベンチマークであるMemTraceを紹介する。 MemTraceは3つの制御された次元に沿って各事実を探索する。 同様にプールされた精度は、異なる失敗を隠すことに気付きます。
  論文  参考訳（メタデータ） (2026-06-15T22:21:23Z)
• User as Code: Executable Memory for Personalized Agents [0.3951796994513004]
  パーソナライズされたAIエージェントには、ユーザメモリ — ユーザが誰であるかの永続的なモデルが必要です。 ユーザメモリは実行可能でなければならない、と私たちは主張する。 ユーザ・アズ・コード(UaC)は,ユーザのエージェントのモデルが生きたソフトウェアプロジェクトであるパラダイムである。
  論文  参考訳（メタデータ） (2026-06-15T13:39:41Z)
• WorldMemArena: Evaluating Multimodal Agent Memory Through Action-World Interaction [72.1620416874118]
  マルチモーダルな言語モデルは、長距離エージェントとしてますます多くデプロイされている。 既存のベンチマークは、静的対話上のリコールを測定し、メモリを1つのタスクの精度に分解し、キャプションに対する視覚的な観察を減らす。 マルチモーダルエージェントメモリを,観測可能な4段階ライフサイクルを持つアクションワールドインタラクションループとして定式化する。
  論文  参考訳（メタデータ） (2026-05-28T04:27:20Z)
• Belief Memory: Agent Memory Under Partial Observability [56.41506249481312]
  本稿では,メモリパラダイムを観測毎に1つの結論にシフトし,その確率で複数の結論を導出するBeliefMemを提案する。 BeliefMemは決定論的パラダイムが破棄されるという不確実性を保ち、エージェントが高い信頼を持って行動することを可能にする。 LoCoMoとALFWorldベンチマークの実証的な評価は、限られたデータであっても、BeliefMemが最高の平均パフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2026-05-07T02:03:13Z)
• S3Mem: Structured Spatiotemporal Scene-Event Memory for Long-Horizon Interactive Question Answering [58.90783999951707]
  ロングホライゾンの記憶問題に対する答えは、しばしば異質な歴史からスパースな証拠を必要とする。 S3Mem(Structured Spatiotemporal Scene-Event Memory)は,テキスト,視覚,エージェント使用履歴を構造化されたシーン単位に書き込むクエリ時メモリインタフェースである。 LoCoMo、EMemBench Visual Games、AMA-Benchの他、S3Memは強力なスコアツーケントレードオフを提供する。
  論文  参考訳（メタデータ） (2026-04-10T07:49:10Z)

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。