論文の概要: MINDSET: Energy-based Schema Evolution for Long Conversational Agent Memory

• arxiv url: http://arxiv.org/abs/2610.08586v1
• Date: Tue, 06 Oct 2026 15:55:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.097232
• Title: MINDSET: Energy-based Schema Evolution for Long Conversational Agent Memory
• Title（参考訳）: MINDSET:長期会話エージェントメモリのためのエネルギーベーススキーマ進化
• Abstract要約: 有用なメモリシステムは、現在の状態と過去の状態の両方を保存する必要がある。 本稿では,会話を不変のエピソードとして記憶するメモリコントローラMINDSETを紹介する。 再現可能な850の質問に対して,MINDSETを5つのメモリシステムに対して評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long conversational agents have become essential in our daily lives. They must remember what was said long back in order to help us efficiently complete a task without needing the user to repeat instructions and context repeatedly. However, the main issue is that instructions and context change over time and so the agents must be able to adapt accordingly. A useful memory system should preserve both current and historical states, distinguish stale information from active knowledge, retrieve evidence appropriate to the query and avoid repeatedly invoking a large language model to rewrite prior interactions. We introduce MINDSET, a memory controller that stores a conversation as immutable episodes and organizes them into versioned schemas through minimum-energy state transitions. Each incoming episode may reinforce, supersede, split or create a schema. The transition decision balances representation distortion, contradiction, historical damage, fragmentation and internal inconsistency, while hysteresis prevents isolated contradictions from prematurely rewriting stable memory. We evaluate MINDSET against 5 memory systems on a reproducible sample of 850 questions (700 LoCoMo + 150 MemoryAgentBench). MINDSET obtains the highest observed LoCoMo answer F1 while significantly improving retrieval ranking (Recall@8, MRR and nDCG@8) over the second best method LightMem (p<0.01 after Holm correction). It obtains the highest observed scores on MemoryAgentBench although the relative difference is low. Ablations identify controlled fragmentation and schema-aware assignment as the largest contributors to answer quality. Additionally, a 700-question cross-model evaluation with GLM-4.7 and Gemma-4-31B supported model independence. These results show that long-term memory can be better handled as constrained state management rather than continual summarization.
• Abstract（参考訳）: 長い会話エージェントが私たちの日常生活に欠かせないものになっている。 ユーザが繰り返し命令やコンテキストを繰り返すことなく、タスクを効率的に完了させるのに役立ちます。 しかし、主な問題は、命令とコンテキストが時間とともに変化するため、エージェントはそれに応じて適応できなければならない。 有用なメモリシステムは、現在の状態と過去の状態を保存し、古い情報をアクティブな知識と区別し、クエリに適した証拠を検索し、大きな言語モデルを繰り返し呼び起こして、事前のインタラクションを書き換えることを避ける必要がある。 我々は,会話を不変なエピソードとして記憶し,最小エネルギー状態遷移によってバージョン管理されたスキーマに整理するメモリコントローラMINDSETを紹介する。 各エピソードは強化、置き換え、分割、スキーマの作成などを行うことができる。 遷移決定は、表現の歪み、矛盾、歴史的損傷、断片化、内部の不整合をバランスさせ、ヒステリシスは孤立した矛盾を早期に安定した記憶を書き換えることを防ぐ。 再現可能な850質問(700 LoCoMo + 150 MemoryAgentBench)を用いて,MINDSETを5つのメモリシステムに対して評価した。 MINDSETは、第2のベストメソッドLightMem(ホルム補正後のp<0.01)に対して、検索ランク(Recall@8,MRR,nDCG@8)を大幅に改善しつつ、最も高い観測値のLoCoMo解F1を得る。 メモリAgentBenchの観測値が最も高いが、相対差は低い。 アブレーションは、制御された断片化とスキーマ対応の割り当てを、品質に答える最大のコントリビュータとして特定する。 さらにGLM-4.7とGemma-4-31Bによる700回のクロスモデル評価もモデル独立を支持した。 これらの結果から,長期記憶は連続的な要約よりも制約状態管理として扱えることが示唆された。

関連論文リスト

• TransMem: Transforming Hidden States into Memory for Large Language Models [29.656816378992414]
  大規模言語モデル(LLM)エージェントは、長い相互作用履歴を通してますます機能する。 TransMemは、凍結したLCMバックボーンから再利用可能なメモリ表現に変換する。
  論文  参考訳（メタデータ） (2026-07-31T05:11:04Z)
• 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)
• A-TMA: Decoupling State-Aware Memory Failures in Long-Term Agent Memory [7.7803190371583]
  我々は,記憶バンク内に共存する古い,現在の,遷移の事実が検索中に混在している状態調整障害であるemphghostメモリについて検討し,その解答モデルを誤導する。 我々は,既存のメモリシステムのための状態認識オーバレイであるATMAを提案する。ATMAは,銀行内における過大評価とトランジションの記録を保持し,現在,歴史,およびトランジションラベルをQAに公開する。
  論文  参考訳（メタデータ） (2026-07-02T09:28:29Z)
• WorldMemArena: Evaluating Multimodal Agent Memory Through Action-World Interaction [72.1620416874118]
  マルチモーダルな言語モデルは、長距離エージェントとしてますます多くデプロイされている。 既存のベンチマークは、静的対話上のリコールを測定し、メモリを1つのタスクの精度に分解し、キャプションに対する視覚的な観察を減らす。 マルチモーダルエージェントメモリを,観測可能な4段階ライフサイクルを持つアクションワールドインタラクションループとして定式化する。
  論文  参考訳（メタデータ） (2026-05-28T04:27:20Z)
• MINTEval: Evaluating Memory under Multi-Target Interference in Long-Horizon Agent Systems [69.06764269022925]
  本研究では,現在の記憶増強剤が現実的,干渉重大,長期的設定において果たす役割について検討する。 MINTEvalは、頻繁に更新される情報を備えた、長く高度に相互接続されたコンテキストを特徴とするベンチマークである。 MINTEvalは128.8kのトークンを平均で1インスタンスあたり1.8Mのトークンに拡張し、15.6kの質問応答ペアを持つ。
  論文  参考訳（メタデータ） (2026-05-18T15:43:35Z)
• 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)

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。