論文の概要: APDMem: Agent-Controlled Progressive Disclosure for Query-Adaptive Long-Term Memory

• arxiv url: http://arxiv.org/abs/2610.02472v1
• Date: Thu, 01 Oct 2026 20:51:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.08439
• Title: APDMem: Agent-Controlled Progressive Disclosure for Query-Adaptive Long-Term Memory
• Title（参考訳）: APDMem: クエリ適応型長期記憶のためのエージェント制御プログレッシブ開示
• Abstract要約: APDMemは、メモリ検索にプログレッシブ開示を適用する階層的な長期記憶アーキテクチャである。 会話の歴史は、主題的な要約、パーソナライズされた重要な事実、ターンレベルのエビデンスノート、生のメッセージの4つの段階的に詳細である。 会話全体の8%にしかアクセスできない長いコンテキストメモリ推論において、強力なパフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 0.8691344810384116
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Personalized LLM assistants must recover sparse evidence from long conversation histories across queries of varying complexity. We introduce APDMem (Agent-controlled Progressive Disclosure Memory), a hierarchical long-term memory architecture that applies progressive disclosure to memory retrieval. Rather than relying on a flat memory store or fixed retrieval granularity, APDMem represents conversation history as four progressively detailed layers: thematic summaries, personalized key facts, turn-level evidence notes, and raw messages. At inference time, a controller applies progressive disclosure to the memory hierarchy: it first reads high-level summaries and drills into finer evidence only when needed. This creates an adaptive cost-fidelity trade-off: simple queries can terminate early, while complex temporal, multi-hop, or exact-evidence queries trigger deeper inspection. A note synthesizer converts retrieved evidence into a query-focused structure that consolidates facts, orders events, and flags contradictions before final answer generation. Experiments on LongMemEval show that APDMem achieves strong performance for long-context memory reasoning while accessing only 8% of the total conversations.
• Abstract（参考訳）: パーソナライズされたLLMアシスタントは、様々な複雑さのクエリにわたる長い会話履歴からスパースエビデンスを回復しなければならない。 本稿では,階層型長期記憶アーキテクチャであるAPDMem(Agent-control Progressive Disclosure Memory)を紹介する。 フラットなメモリストアや固定された検索粒度に頼るのではなく、APDMemは会話履歴を4つの段階的な詳細レイヤとして表現している。 推論時にコントローラは、メモリ階層にプログレッシブな開示を適用します。 単純なクエリは早期に終了し、複雑な時間的、マルチホップ、あるいは正確なエビデンスクエリはより深いインスペクションを引き起こす。 ノートシンセサイザは、検索された証拠を、最終回答生成前に事実を集約し、イベントを命令し、矛盾をフラグするクエリ中心の構造に変換する。 LongMemEvalの実験では、APDMemは会話全体の8%にしかアクセスできないが、長時間コンテキストのメモリ推論では高いパフォーマンスを実現している。

関連論文リスト

• Beyond Memory Construction: Rethinking Memory Access for LLM-based Conversational Agents [15.388928886536716]
  Threaderは、メモリ構築から、生のインタラクションに対する効率的な構造認識アクセスへと焦点を移すメモリシステムである。 応答精度とエビデンスリコールを継続的に改善し、メモリ構築オーバーヘッドを大幅に削減する。
  論文  参考訳（メタデータ） (2026-09-27T05:07:21Z)
• Memory Control Signals Emerge Before Action in Long Horizon Agents [55.84813053778976]
  各エージェントアクションの直前に隠された状態を調べ、圧縮とリコールの要求がモデルの内部表現にすでにエンコードされていることを確認する。 本研究では,状態誘導圧縮と外部エビデンス検索を組み合わせたPreaction Memory with Evidence Retrieval (PaMER)を提案する。
  論文  参考訳（メタデータ） (2026-09-23T03:23:34Z)
• JustMem: Just-Enough Memory Access for Long-Term Conversations [15.111194316696912]
  会話履歴をコンパクトな原子記憶として保存するJustMemを紹介する。 LoCoMoとLongMemEval-Sでは、JustMemは最高平均精度とリコールを達成する。
  論文  参考訳（メタデータ） (2026-09-17T08:27:29Z)
• CMT-RAG: Complementary Memory Traces for Multi-turn Multi-hop RAG [17.889279174355227]
  本稿では,マルチターンマルチホップRAGのベンチマークである MuMu-QA と,この設定を補完するメモリフレームワークである CMT-RAG を紹介する。 MuMu-QAとコーパスレベルのRAGベンチマークは、CMT-RAGが回答精度においてRAGの5つのカテゴリを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-07-29T04:50:41Z)
• 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)
• Infini Memory: Maintainable Topic Documents for Long-Term LLM Agent Memory [19.802226925602927]
  長期的なLLMエージェントは、変化する事実を追跡し、セッション間で関連する証拠を提供する、永続的なメモリを必要とする。 Infini Memoryは、エージェントメモリをトピック構造化文書として扱う、保守可能なテキストベースの永続メモリアーキテクチャである。
  論文  参考訳（メタデータ） (2026-06-09T10:31:51Z)
• AMA: Adaptive Memory via Multi-Agent Collaboration [54.490349689939166]
  複数の粒度にまたがるメモリ管理に協調エージェントを活用する新しいフレームワークであるAMA(Adaptive Memory via Multi-Agent Collaboration)を提案する。 AMAは、ステート・オブ・ザ・アートのベースラインを著しく上回り、トークンの消費をフルコンテキストの手法と比べて約80%削減する。
  論文  参考訳（メタデータ） (2026-01-28T08:09:49Z)
• SCM: Enhancing Large Language Model with Self-Controlled Memory Framework [54.33686574304374]
  大きな言語モデル(LLM)は、長い入力を処理できないため、重要な歴史的情報が失われる。 本稿では,LLMが長期記憶を維持し,関連する情報をリコールする能力を高めるための自己制御メモリ(SCM)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-26T07:25:31Z)

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。