論文の概要: CAVE-Mem: Boundary-Aware Experience Validation for Memory Search

• arxiv url: http://arxiv.org/abs/2610.00238v1
• Date: Wed, 23 Sep 2026 05:49:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.581348
• Title: CAVE-Mem: Boundary-Aware Experience Validation for Memory Search
• Title（参考訳）: CAVE-Mem: メモリ検索のための境界認識エクスペリエンスバリデーション
• Abstract要約: そこで我々はCAVE-Memを提案する。CAVE-Memは、経験を型付き介入演算子として表現する、トレーニング不要のフレームワークである。 CAVE-Memはまずベースメモリ検索の回答を取得し、オペレータが現在の基板と一致する場合にのみ、オペレーターがそれを変更できるようにする。 長期の会話記憶、マルチホップ質問応答、長期にわたる物語推論実験は、関連性のみの経験の再利用よりも一貫した利得を示す。
• 参考スコア（独自算出の注目度）: 5.417321678519072
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-term memory agents increasingly rely on it- erative search and reusable experience to answer questions over large personal, factual, or narrative histories. However, current experience-memory systems largely optimize relevance: they re- trieve past search lessons that appear similar to the current state and inject them into the prompt. A relevant experience can still be harmful when the memory substrate, question intent, answer granularity, or evidence boundary changes. We propose CAVE- Mem, a training-free framework that represents experience as a typed intervention operator with applicability, boundary, and utility conditions. CAVE-Mem first obtains a base memory-search answer, then allows an operator to change it only if the oper- ator matches the current substrate, answer contract, evidence boundary, and cross-fitted utility; otherwise the system abstains. Experiments across long-term conversational memory, multi-hop question answering, and long-document narrative reasoning show consistent gains over relevance-only experience reuse.
• Abstract（参考訳）: 長期記憶エージェントは、大きな個人的、事実的、または物語の歴史に関する疑問に答えるために、過激な検索と再利用可能な経験にますます依存している。 しかし、現在のエクスペリエンスメモリシステムは、主に関連性を最適化し、現在の状態に類似したように見える過去の検索レッスンを再試行し、プロンプトに注入する。 メモリ基板、質問意図、答えの粒度、エビデンス境界が変化しても、関連するエクスペリエンスは有害である。 そこで我々はCAVE-Memを提案する。CAVE-Memは、応用性、バウンダリ、ユーティリティ条件を備えた型付き介入演算子としての経験を表現した、トレーニング不要のフレームワークである。 CAVE-Memはまずベースメモリ検索の回答を取得し、オペレータが現在の基板、応答契約、エビデンス境界、およびクロスフィットユーティリティと一致した場合のみ、オペレータがそれを変更できるようにする。 長期の会話記憶、マルチホップ質問応答、長期にわたる物語推論実験は、関連性のみの経験の再利用よりも一貫した利得を示す。

関連論文リスト

• Remember by Asking: Retrieval-Induced Memory Evolution for LLM Agents [10.809831681526058]
  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。
  論文  参考訳（メタデータ） (2026-09-28T06:57:46Z)
• PRAGMA: Evaluating Personalized Guidance with Memory Alignment in Lifelong Conversations [21.191446906833303]
  大規模言語モデル(LLM)は、長期にわたってユーザと対話するパーソナライズされたアシスタントとして、ますます多くデプロイされている。 会話が長くなるにつれて、完全なインタラクション履歴に依存することが、ますます非効率になり、信頼できなくなる。 本稿では、長期会話におけるパーソナライズされたガイダンスを評価するためのベンチマークであるPRAGMAを紹介する。
  論文  参考訳（メタデータ） (2026-09-09T03:31:47Z)
• GROVE: Growing and Reasoning over Temporally Stratified Memory from Streaming Video Experience [67.55136435794206]
  ウェアラブルアシスタントは、その視覚的履歴に関する質問に答え、その歴史が現在の状況に有効であるかどうかを認識する。 GROVEは、連続的なビデオストリームから慎重に成長した1つのメモリで両方の動作をサポートする、トレーニング不要のフレームワークである。 GROVEは、きめ細かい知覚的証拠を保持し、それをタイムスタンプ化された瞬間、一貫性のあるエピソード、そして日々のパターンに漸進的に統合する。
  論文  参考訳（メタデータ） (2026-08-03T15:35:28Z)
• 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)
• Memory Makes the Difference: Evaluating How Different Memory Roles Shape Conversational Agents [46.28019301802407]
  本稿では,会話記憶の微粒な分類,検索した記憶を異なる役割タイプに分類し,ユーザ中心評価フレームワークを設計する。 記憶の明瞭化は、応答の事実的正確さと制約意識を改善し、それらをより正確かつパーソナライズする。 これらの発見は、フロンティアLSMの力にもかかわらず、よりパーソナライズされた応答を生成するために、異なるメモリタイプをどのように活用できるかを明かした。
  論文  参考訳（メタデータ） (2026-06-24T03:45:45Z)
• RaMem: Contextual Reinstatement for Long-term Agentic Memory [21.228780482661076]
  本稿では,検索したメモリフラグメントを文脈的エビデンスに変換するフレームワークであるAgenic Memory (RaMem) について述べる。 ラメムは4つの調整された段階を経る: (i) それぞれの記憶を元のエピソード条件、特にイベント時間、参照時間、セッションスパンおよび参加者に固定する証拠 (ii) 記憶条件誘導は、クエリによって入力されたエビデンス条件を導出する; (iii) 妥当性認識検索は、これらの条件を使用して、コンテンツ関連候補をフォールバック証拠として保持しながら、コンテキスト互換な記憶を優先順位付けする; (iv) コンテキスト保存合成は、選択された記憶の構造化されたコンテキストをジェネレータに保持する。
  論文  参考訳（メタデータ） (2026-06-22T04:41:14Z)
• MemEye: A Visual-Centric Evaluation Framework for Multimodal Agent Memory [80.97855900579512]
  既存の評価では、エージェントが後続の推論に必要な視覚的証拠を保存するかどうかを検査することはめったにない。 メモリ性能を2次元から評価するフレームワークであるMemEyeを紹介する。 本フレームワークでは,8つのライフシナリオタスクにまたがる新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2026-05-14T17:37:52Z)
• AdaMem: Adaptive User-Centric Memory for Long-Horizon Dialogue Agents [49.63422082885992]
  長軸対話エージェントのための適応型ユーザ中心メモリフレームワークであるAdaMemを提案する。 AdaMemは対話履歴をワーキング、エピソディック、ペルソナ、グラフメモリに整理する。 LoCoMo と PERSONAMEM ベンチマーク上での AdaMem の評価を行った。
  論文  参考訳（メタデータ） (2026-03-17T13:22:54Z)

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。