論文の概要: Madeleine: Learning Involuntary Recall for Conversational Memory from Simulated Lives

• arxiv url: http://arxiv.org/abs/2610.01118v2
• Date: Wed, 07 Oct 2026 12:42:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.32652
• Title: Madeleine: Learning Involuntary Recall for Conversational Memory from Simulated Lives
• Title（参考訳）: Madeleine:シミュレートされたライブから会話記憶のための不随意リコールを学習する
• Abstract要約: マドレーヌは、オフラインおよびオンラインで、償却された協会を学習する。 公式なプロトコルであるLoCoMo-Plusでは、Madeleine (I) がこのプロトコルで評価された全てのシステムの中で最高である HyperMem に接続すると66.6 に達し、 (II) 単独で、LCM コールがゼロで、応答コンテキストが約1/21 である HyperMem のスコアに到達し、 (III) T-Mem を 26.2 ポイント引き上げ、両方のシステム内で同じトレーニングされていないバックボーンを著しく上回り、通常の QA を 4B バックボーンに無傷で残す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A long-term conversational assistant must recall the right memory at the right moment, yet the memory that matters most is often not similar to what the user says now. Current systems recover such associations by letting an LLM reason at write or read time, at a cost of hundreds to over a thousand LLM calls per memory bank and up to several thousand context tokens per query. We argue that association is a learnable relevance: the pointwise mutual information of memories under how human lives unfold. We introduce Madeleine, which learns amortized association: offline, an LLM life simulator writes simulated lives, whose cue-trigger pairs teach a query encoder a residual association on top of frozen similarity; online, it calls no LLM and plugs into any vector memory by replacing only the query encoder. On LoCoMo-Plus under the official protocol, Madeleine (I) reaches 66.6 when plugged into HyperMem, the highest among all systems evaluated under this protocol; (II) used alone, reaches the score of HyperMem as released (52.4 vs. 52.9) with zero LLM calls and about 1/21 of its answer context; and (III) lifts T-Mem by 26.2 points, significantly outperforms the same untrained backbone inside both systems, and leaves ordinary QA intact on the 4B backbone.
• Abstract（参考訳）: 長期的な会話アシスタントは、正しい瞬間に正しい記憶を思い出さなければならないが、最も重要な記憶は、しばしばユーザーが今言っているものと似ていない。 現在のシステムは、書き込みや読み込み時にLLMの推論を許し、メモリバンク当たり数百から数千のLLMコールとクエリ毎の数千のコンテキストトークンを犠牲にすることで、そのような関連を回復している。 我々は、連想は学習可能な関連性であり、人間の生活がどう広がるかという記憶のポイントワイドな相互情報であると主張している。 オフライン、LCMのライフシミュレーターがシミュレートされたライフを書き、キュートリガーペアがクエリエンコーダに、凍結した類似性の上に残余の関連性を教える。オンラインでは、LCMを呼ばず、クエリエンコーダのみを置き換えて任意のベクトルメモリにプラグインする。 公式なプロトコルであるLoCoMo-Plusでは、Madeleine (I) がこのプロトコルで評価された全てのシステムの中で最高である HyperMem に接続すると66.6 に達し、 (II) 単独で、LCM コールがゼロで、応答コンテキストが約1/21 である HyperMem のスコアに到達し、 (III) T-Mem を 26.2 ポイント引き上げ、両方のシステム内で同じトレーニングされていないバックボーンを著しく上回り、通常の QA を 4B バックボーンに無傷で残す。

関連論文リスト

• When Memory Takes Gradients: Collaborative Vector Memory for Agentic Recommender Systems [6.12907469209873]
  エージェントレコメンデータシステムは、大きな言語モデルのそれぞれの決定を、ユーザの永続的なメモリに根拠付ける。 エージェントのメモリの協調コアをベクトル化するCoVeMemを提案する。
  論文  参考訳（メタデータ） (2026-08-27T09:51:18Z)
• Zero-Mem: Zero-Token Memory Operations for LLM Agents [17.228305588778]
  Zero-Memは、元の相互作用トレースをレコードのソースとして保存する。 Zero-Memは、長期メモリと長期コンテキストの問合せベンチマークで競合するパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-07-31T13:01:06Z)
• LazyMem: Retrieve Broadly, Construct Selectively for Efficient Long-Term Agent Memory [10.916121108457537]
  クエリ時間にすべてのメモリ構成を遅延させるLazyMemを紹介します。 LongMemEvalでは、LazyMem-4B は LLM-judge の精度 0.85 を達成し、最強の非線形ベースラインを上回っている。 さらに、ターゲットドメイントレーニングなしでLoCoMoに一般化し、以前のクエリ時間ベースラインと比較して平均レイテンシを低減する。
  論文  参考訳（メタデータ） (2026-07-17T12:49:57Z)
• Memory as a Controlled Process: Learned Adaptive Memory Management for LLM Agents [72.3752981234916]
  大きな言語モデル(LLM)エージェントは、タスク間の経験を蓄積するために、外部メモリシステムに依存している。 メモリ操作をマルコフ決定プロセスとしてモデル化するフレームワークである制御プロセス(MemCon)としてメモリを提示する。 MemConは、複数のメモリベースラインのタスク成功率を最大15.2ポイント上回り、トークン消費量を5-20%削減している。
  論文  参考訳（メタデータ） (2026-07-15T08:32:40Z)
• MemGym: a Long-Horizon Memory Environment for LLM Agents [69.79226770543049]
  本稿では,エージェントメモリのベンチマークであるMemGymを紹介する。 MemGymは、メモリパフォーマンスを推論、検索、ツール使用能力から切り離すメモリアイソレーションスコアを報告している。 MEMGYM-CODEQAとMEMGYM-DRの合成パイプラインは、長さ制御可能であり、各ステージでアブレーションを検証可能であり、下流のシナリオと密に整合している。
  論文  参考訳（メタデータ） (2026-05-20T07:25:33Z)
• 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)
• HiGMem: A Hierarchical and LLM-Guided Memory System for Long-Term Conversational Agents [9.454943641700392]
  HiGMemは2段階のイベントターンメモリシステムで、イベントサマリーをセマンティックアンカーとして使用して、どのターンが読む価値があるかを予測している。 LoCoMo10ベンチマークでは、HiGMemは5つの質問カテゴリのうち4つで最高のF1を達成し、A-Memよりも逆F1を0.54から0.78に改善した。
  論文  参考訳（メタデータ） (2026-04-20T14:44:12Z)
• EvolMem: A Cognitive-Driven Benchmark for Multi-Session Dialogue Memory [63.84216832544323]
  EvolMemは、大規模言語モデル(LLM)とエージェントシステムのマルチセッションメモリ機能を評価するための新しいベンチマークである。 このベンチマークを構築するために,話題から始まる生成と物語から着想を得た変換からなるハイブリッドデータ合成フレームワークを提案する。 広範囲な評価により、LLMが全てのメモリ次元で常に他よりも優れていることが分かる。
  論文  参考訳（メタデータ） (2026-01-07T03:14:42Z)
• LightMem: Lightweight and Efficient Memory-Augmented Generation [72.21680105265824]
  我々は、メモリシステムの性能と効率のバランスをとるLightMemという新しいメモリシステムを紹介した。 人間の記憶のアトキンソン・シフリンモデルにインスパイアされたLightMemは、メモリを3つの相補的なステージにまとめる。 GPTとQwenのバックボーンを用いたLongMemEvalの実験では、LightMemは高いベースライン(最大10.9%のゲイン)を上回り、トークンの使用量を最大117倍に削減している。
  論文  参考訳（メタデータ） (2025-10-21T17:58:17Z)
• MemLLM: Finetuning LLMs to Use An Explicit Read-Write Memory [49.96019697955383]
  本稿では,構造化および明示的な読み書きメモリモジュールを統合することで,大規模言語モデル(LLM)の拡張手法であるMemLLMを紹介する。 実験の結果, 言語モデリング, 特に知識集約型タスクにおいて, MemLLMはLLMの性能と解釈可能性を向上させることが示唆された。
  論文  参考訳（メタデータ） (2024-04-17T18:13:16Z)

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。