Fugu-MT 論文翻訳(概要): Learning to Retrieve Missing Evidence for Long-Term Memory QA

論文の概要: Learning to Retrieve Missing Evidence for Long-Term Memory QA

arxiv url: http://arxiv.org/abs/2609.37443v1
Date: Tue, 29 Sep 2026 13:02:16 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-30 21:28:47.505577
Title: Learning to Retrieve Missing Evidence for Long-Term Memory QA
Title（参考訳）: 長期記憶QAにおける誤り証拠検索の学習
Abstract要約: 我々は,世界規模で検索可能なメモリを疑問固有なエビデンス状態から分離するMERA(Missing-Evidence Retrieval Augmentation)を導入する。我々は、強化学習を通じて軽量プランナーを訓練し、欠落した証拠を回収するクエリに報いる。 Qwen3-30Bのエビデンス処理と回答生成で、訓練された0.6BプランナーはLoCoMoで77.40%、LongMemEval-Sで71.29%の精度を達成した。
参考スコア（独自算出の注目度）: 15.24197510345149
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Long-term memory enables language models to use past interactions in future conversations. However, evidence needed to answer a question may be scattered across distant turns, while the question itself omits clues needed to locate it. Retrieved facts can reveal these clues, motivating retrieval decisions conditioned on evidence already found. We introduce MERA (Missing-Evidence Retrieval Augmentation), which separates globally searchable memory from a question-specific evidence state. Verified evidence guides subsequent retrieval without restricting access to the global memory. We train a lightweight planner through reinforcement learning, rewarding queries that recover previously missing evidence. MERA achieves strong answer accuracy across Qwen3-30B and GPT-4o-mini backbones. With Qwen3-30B for evidence processing and answer generation, the trained 0.6B planner achieves 77.40% accuracy on LoCoMo and 71.29% on LongMemEval-S, exceeding a 30B planner without retrieval-grounded training by 4.10% and 3.96%, respectively. On LoCoMo, later retrieval rounds increase cumulative evidence recall from 55.5% to 80.5%.
Abstract（参考訳）: 長期記憶は、言語モデルが将来の会話で過去の相互作用を利用することを可能にする。しかし、ある疑問に答えるために必要な証拠は、遠くの曲がり角に散らばっているかもしれないし、その質問自体がそれを見つけるために必要な手がかりを省略している。回収された事実は、これらの手がかりを明らかにすることができ、すでに見つかった証拠に照らされた検索決定を動機付ける。我々は,世界規模で検索可能なメモリを疑問固有なエビデンス状態から分離するMERA(Missing-Evidence Retrieval Augmentation)を導入する。検証された証拠は、グローバルメモリへのアクセスを制限することなく、その後の検索をガイドする。我々は、強化学習を通じて軽量プランナーを訓練し、以前欠落していた証拠を回収するクエリに報いる。 MERAはQwen3-30BとGPT-4o-miniのバックボーン間で強い応答精度を達成する。 Qwen3-30Bのエビデンス処理と回答生成で、トレーニングされた0.6BプランナーはLoCoMoで77.40%、LongMemEval-Sで71.29%の精度を達成し、検索地上トレーニングなしで30Bプランナーでそれぞれ4.10%、そして3.96%を達成している。 LoCoMoでは、後の検索ラウンドで55.5%から80.5%に累積的証拠がリコールされた。

関連論文リスト

EvalMem: An Operation-Level Diagnostic Framework for Long-Term Memory Systems [14.771155685484173]
EvalMemは3つの並列抽出器を備えた操作レベル診断フレームワークである。各クエリに対して、Examinerは、対象の事実が格納されているかどうかをチェックし、Retrieval Examinerは、ネイティブレトリバーが有用なエビデンスを返すかどうかを評価し、Generation Examinerは、モデルがオラクルのエビデンスから答えられるかどうかをテストする。各システムのメモリエクスポートから構築された検索フレンドリーな補助構造であるMemWikiは、それぞれLoCoMoとLongMemEval-Sの平均精度を2.5と2.3%向上させる。
論文参考訳（メタデータ） (2026-09-03T04:20:45Z)
Recursive Experiential-Working Memory Evolution for Long-Horizon Agent Harnesses [83.32611586724165]
Recurisは、ロングホライゾンエージェントハーネスのためのExperiential-Working Memoryアーキテクチャである。 Work Memoryはタスクの進捗を追跡し、Experiential Memoryからスキル選択をガイドする。 4つのロングホライズンベンチマークと10のモデルでRecurisは37のモデルベンチマークペアのうち35のタスク成功を改善している。
論文参考訳（メタデータ） (2026-08-25T17:56:35Z)
RippleMem: From Isolated Retrieval to Associative Recollection for Long-Term Agent Memory [13.519130680921565]
本稿では,長期記憶システムであるRippleMemを紹介する。 LoCoMoとLongMemEval-Sは、RippleMemが評価された設定全体で最高の全体的な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） (2026-08-13T15:05:01Z)
Eywa: Provenance-Grounded Long-Term Memory for AI Agents [0.0]
既存のメモリシステムは、情報源の証拠、抽出された事実、検索されたコンテキスト、そして応答ポリシーを1つの不透明なプロンプトパスに分解する。私たちはEywaを紹介します。Eywaは、信念以前の証拠を中心に構築された、証明済みのメモリアーキテクチャです。
論文参考訳（メタデータ） (2026-05-29T02:56:35Z)
MemLens: Benchmarking Multimodal Long-Term Memory in Large Vision-Language Models [50.25006399944962]
メモリは、長いマルチモーダル相互作用を扱うために、大きな視覚言語モデルにとって不可欠である。 MEMLENSはマルチモーダルマルチセッション会話におけるメモリのベンチマークである。我々は27個のLVLMと7個のメモリ増強剤を評価した。
論文参考訳（メタデータ） (2026-05-14T14:41:17Z)
EgoMemReason: A Memory-Driven Reasoning Benchmark for Long-Horizon Egocentric Video Understanding [89.26501160264199]
EgoMemReasonは、メモリ駆動推論を通じて、1週間のエゴセントリックなビデオ理解を体系的に評価する。 EgoMemReasonには3つのメモリタイプと6つのコア課題に関する500の質問が含まれている。 EgoMemReasonをMLLMとエージェントフレームワークにまたがる17の手法で評価する。
論文参考訳（メタデータ） (2026-05-11T01:59:59Z)
EviMem: Evidence-Gap-Driven Iterative Retrieval for Long-Term Conversational Memory [19.027571478872]
IRIS(Iterative Retrieval via Insufficiency Signals)とLaceMem(Layered Architecture for Conversational Evidence Memory)を組み合わせたEviMemを提案する。 LoCoMoでは、EviMemは、時間(73.3%から81.6%)とマルチホップ(65.9%から85.2%)の質問を4.5倍のレイテンシでMIRIXよりも精度を向上させる。
論文参考訳（メタデータ） (2026-04-30T10:37:04Z)
SE-Search: Self-Evolving Search Agent via Memory and Dense Reward [87.79131676521656]
Retrieval augmented generation (RAG)は、検索した外部知識を条件づけることにより、大規模言語モデル(LLM)における幻覚や事実エラーを低減する。既存の手法は、無関係または騒々しい文書を蓄積し、希少な強化学習信号に依存することが多い。我々は,3つのコンポーネントによるオンライン検索行動を改善するセルフ進化検索エージェントであるtextbfSelf-textbfEvolving textbfSearchを提案する。
論文参考訳（メタデータ） (2026-02-06T09:14:07Z)
Look Back to Reason Forward: Revisitable Memory for Long-Context LLM Agents [33.617262543252494]
本稿では、メモリ履歴全体からの選択的検索を可能にするコールバック強化メモリを備えたメモリ拡張エージェントReMemR1を提案する。また,RLMLR(Reinforcement Learning with Multi-Level Rewards)を提案する。
論文参考訳（メタデータ） (2025-09-27T01:36:46Z)
NeoQA: Evidence-based Question Answering with Generated News Events [53.85274258429368]
この問題に対処するために設計されたベンチマークであるNeoQAを紹介します。我々は,エビデンスに基づく質問応答を評価するための新しいプラットフォームとして,データセットを提案する。
論文参考訳（メタデータ） (2025-05-09T10:51:29Z)
REM-Net: Recursive Erasure Memory Network for Commonsense Evidence Refinement [130.8875535449478]
REM-Netは、答えを説明できない低品質な証拠を消去することで証拠を洗練するためのモジュールを備えている。既存の知識ベースから証拠を取得する代わりに、REM-Netは事前訓練された生成モデルを利用して、質問用にカスタマイズされた候補証拠を生成する。結果はREM-Netの性能を示し、洗練された証拠が説明可能であることを示します。
論文参考訳（メタデータ） (2020-12-24T10:07:32Z)

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。