Fugu-MT 論文翻訳(概要): TAGGRAPH: Tag-Augmented Graphs for Graph Retrieval of Agent Persistent Histories

論文の概要: TAGGRAPH: Tag-Augmented Graphs for Graph Retrieval of Agent Persistent Histories

arxiv url: http://arxiv.org/abs/2609.38353v2
Date: Thu, 01 Oct 2026 15:51:11 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-03 01:19:23.533363
Title: TAGGRAPH: Tag-Augmented Graphs for Graph Retrieval of Agent Persistent Histories
Title（参考訳）: TAGGRAPH: エージェント永続履歴のグラフ検索のためのタグ付きグラフ
Abstract要約: 長期記憶により、LLMエージェントは過去のインタラクションをリコールし、セッション間で一貫性を保つことができる。共有5Wスタイルの会話記憶に基づく制御された評価フレームワークを提案する。
参考スコア（独自算出の注目度）: 20.4062940458583
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Long-term memory lets LLM agents recall past interactions and remain consistent across sessions, but memory systems are hard to compare because they often vary in representation, indexing, retrieval, and evaluation. We present a controlled evaluation framework based on shared 5W-style conversational memories. Localized graph configurations traverse a common base graph; AdaptiveGraph adds chronological edges and Personalized PageRank diffusion. We also evaluate BM25 over the same extracted notes and OpenClaw as a raw-input external reference. Retrieval rankings vary across memory settings. On LongMemEval-S, AdaptiveGraph is the strongest graph configuration at 0.844 MRR, but BM25 reaches 0.867 and OpenClaw 0.880. On ATANT Core, localized graph traversal outperforms diffusion and BM25, whereas BM25 leads the stress rounds. Reducing LongMemEval-S within the tested range does not reproduce the ATANT diffusion penalty, but the smallest tested store remains larger than ATANT Core, so store size cannot be ruled out. The penalty also persists under a permissive content-match criterion. Vocabulary normalization and extraction quality substantially affect graph retrieval, and missing extraction tags are common among top-five misses. Retrieval strategies should therefore be evaluated jointly with the memory setting and against strong lexical baselines.
Abstract（参考訳）: 長期記憶により、LLMエージェントは過去のインタラクションをリコールし、セッション間で一貫性を保つことができるが、メモリシステムは表現、索引付け、検索、評価においてしばしば異なるため、比較が難しい。共有5Wスタイルの会話記憶に基づく制御された評価フレームワークを提案する。 AdaptiveGraphは、時系列エッジとパーソナライズされたPageRank拡散を追加します。また,抽出した音符に対してBM25を,生入力外部参照としてOpenClawを評価した。検索ランキングはメモリ設定によって異なる。 LongMemEval-Sでは、AdaptiveGraphは0.844 MRRで最強のグラフ構成であるが、BM25は0.867、OpenClaw 0.880に達する。 ATANTコアでは、局所的なグラフトラバーサルは拡散とBM25より優れ、BM25は応力ラウンドをリードする。テスト範囲内でのLongMemEval-Sの削減はATANT拡散ペナルティを再現しないが、最小のテストストアはATANT Coreよりも大きいため、ストアサイズを除外できない。刑罰は、寛容なコンテンツマッチ基準の下でも継続する。語彙正規化と抽出品質はグラフ検索に大きく影響し,トップ5ミスでは欠落した抽出タグが一般的である。したがって、検索戦略はメモリ設定と協調して評価され、強い語彙ベースラインに対して評価されるべきである。

関連論文リスト

Graph Anomaly Detection as Finite-Horizon Control: Training-Free Scoring via Empirical Bayes [39.94712386816259]
ノードレベルのグラフ異常検出は、属性と相互作用がグラフの規則性から逸脱したノードを特定する。本稿では,正規性をグラフ認識型一般化Ornstein-Uhlenbeck(GOU)緩和としてグラフフィルタテンプレートにモデル化する,学習自由フレームワークEB-GADを提案する。 4つの金融詐欺ネットワークであるYelpChiとAmazonのレビューグラフであるWeibo、Reddit、Facebookは21.7ポイントのマージンを持つ。
論文参考訳（メタデータ） (2026-09-29T19:15:12Z)
Continual Graph Memory for Adaptive Recommendation under Intent Drift [7.140905344515738]
本稿では,意図的ドリフト下での適応的レコメンデーションについて検討し,各レコメンデーション結果からのフィードバックによって,ランク付けに使用される関係証拠が有用か,欠落か,誤解を招くかを明らかにする。本稿では,適応型レコメンデーションのための連続グラフメモリフレームワークであるCGM-Recを提案する。
論文参考訳（メタデータ） (2026-09-04T02:32:20Z)
When Design Rules Break: Benchmark Composition Determines Whether Label Informativeness Predicts GNN Aggregator Choice [2.1067460775364286]
グラフニューラルネットワーク(GNN)設計規則は、ベンチマークファミリにまたがって一般化される。我々は、引用、異好性、LINKX Facebook-100、共購入、共オーサシップグラフにまたがる24のノード分類データセットに対して、アグリゲータ選択(sum, mean, max)について検討した。以上の結果から, 設計規則が一般化するか否かは, 数値的不整合ではなく, ベンチマーク組成によって決定される可能性が示唆された。
論文参考訳（メタデータ） (2026-06-08T23:36:14Z)
MemGraphRAG: Memory-based Multi-Agent System for Graph Retrieval-Augmented Generation [30.464508917946855]
グラフベースのRAG(GraphRAG)は、構造的関係を捉えるために知識グラフを組み込んでいる。既存のGraphRAG法は、グラフ構築のための分離されたフラグメントレベルの抽出に依存している。本稿では,メモリベースのマルチエージェントシステムを導入し,高品質なグラフ構築を実現する新しいフレームワークであるMemGraphRAGを提案する。
論文参考訳（メタデータ） (2026-05-30T08:18:53Z)
GAAMA: Graph Augmented Associative Memory for Agents [0.0]
GAAMAは、概念を介する階層的知識グラフを構成するグラフ拡張連想記憶システムである。 LoCoMo-10ベンチマーク(10のマルチセッション会話で1,540の質問)では、GAAMAは78.9%の平均報酬を獲得し、調整されたRAGベースラインを上回っている。
論文参考訳（メタデータ） (2026-03-29T23:33:38Z)
Graph-Anchored Knowledge Indexing for Retrieval-Augmented Generation [53.42323544075114]
グラフアンコール型知識インデックス手法であるGraphAnchorを提案する。 4つのマルチホップ質問応答ベンチマークの実験では、GraphAnchorの有効性が示されている。
論文参考訳（メタデータ） (2026-01-23T05:41:05Z)
Beyond Message Passing: Neural Graph Pattern Machine [50.78679002846741]
本稿では,グラフサブストラクチャから直接学習することで,メッセージパッシングをバイパスする新しいフレームワークであるNeural Graph Pattern Machine(GPM)を紹介する。 GPMはタスク関連グラフパターンを効率的に抽出し、エンコードし、優先順位付けする。
論文参考訳（メタデータ） (2025-01-30T20:37:47Z)
FactGraph: Evaluating Factuality in Summarization with Semantic Graph Representations [114.94628499698096]
文書と要約を構造化された意味表現(MR)に分解するFactGraphを提案する。 MRは、コアセマンティックの概念とその関係を記述し、文書と要約の両方の主要な内容を標準形式で集約し、データの疎結合を減少させる。事実性を評価するための異なるベンチマークの実験では、FactGraphは以前のアプローチよりも最大15%優れていた。
論文参考訳（メタデータ） (2022-04-13T16:45:33Z)
Node Feature Extraction by Self-Supervised Multi-scale Neighborhood Prediction [123.20238648121445]
我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。 GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
論文参考訳（メタデータ） (2021-10-29T19:55:12Z)
Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
論文参考訳（メタデータ） (2020-07-12T12:06:17Z)
Heuristic Semi-Supervised Learning for Graph Generation Inspired by Electoral College [80.67842220664231]
本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
論文参考訳（メタデータ） (2020-06-10T14:48:48Z)

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。