論文の概要: HGP:An on-device personalized agent memory via hybrid graph storage

• arxiv url: http://arxiv.org/abs/2610.10071v1
• Date: Wed, 07 Oct 2026 13:37:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.938445
• Title: HGP:An on-device personalized agent memory via hybrid graph storage
• Title（参考訳）: HGP:ハイブリッドグラフストレージによるデバイス上でのパーソナライズされたエージェントメモリ
• Abstract要約: LLMベースのエージェントは、異種、多型、暗黙的に制約された長期トレースによって、パーソナライズされた対話タスクにおいて課題に直面している。 本稿では,ハイブリッドグラフメモリフレームワークHGPを提案する。 パーソナライズされたメモリルーティングのための軽量なセルフエンハンスメント分類器を使用し、エピソード、セマンティック、手続き記憶をグラフとして構築する。 また、現在の状態と暗黙の制約を捕捉し、信頼性の高い意思決定を保証するための状態軌跡としてワーキングメモリを抽出する。
• 参考スコア（独自算出の注目度）: 49.02000751948319
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLM-based agents face challenges in personalized interactive tasks due to heterogeneous, multi-typed, and implicitly constrained long-term traces. Existing memory mechanisms struggle with accurate routing and retrieval, especially on-device where personalization is critical. Most methods use single-vector representations, blurring type distinctions and relational structure. We propose HGP, a hybrid graph memory framework. HGP employs a lightweight self-enhancement classifier for personalized memory routing and constructs episodic, semantic, and procedural memories as graphs. It also extracts working memory as a state trajectory to capture current state and implicit constraints, ensuring reliable decision-making. The classifier reduces large-model calls, enabling on-device deployment, while graph storage enables accurate retrieval and incremental user profile refinement. Experiments on two benchmarks show that on PAL-Set solution selection, HGP achieves an S-score of 35.58, nearly 7 points above the strongest baseline. Code and data are at https://github.com/Ouan6/HGP-.git.
• Abstract（参考訳）: LLMベースのエージェントは、異種、多型、暗黙的に制約された長期トレースによって、パーソナライズされた対話タスクにおいて課題に直面している。 既存のメモリメカニズムは、正確なルーティングと検索、特にパーソナライゼーションが重要なデバイス上での検索に苦慮している。 ほとんどのメソッドでは、単一ベクトル表現、型区別の曖昧化、リレーショナル構造を使用する。 本稿では,ハイブリッドグラフメモリフレームワークHGPを提案する。 HGPは、パーソナライズされたメモリルーティングのための軽量なセルフエンハンスメント分類器を使用し、エピソード、セマンティック、手続き記憶をグラフとして構築する。 また、現在の状態と暗黙の制約を捕捉し、信頼性の高い意思決定を保証するための状態軌跡としてワーキングメモリを抽出する。 分類器は大規模なモデル呼び出しを減らし、デバイス上でのデプロイメントを可能にし、グラフストレージは正確な検索とインクリメンタルなユーザープロファイルの改善を可能にする。 2つのベンチマークの実験では、PAL-Setソリューションの選択において、HGPは最強のベースラインより7ポイント近く高い35.58のスコアを達成している。 コードとデータはhttps://github.com/Ouan6/HGP-にある。 git

関連論文リスト

• Disentangling Long-Term Memory via Latent Neuro-Symbolic Reasoning [47.430887329861264]
  LGMは、長期記憶のゆがみを連続的な潜伏空間に変える新しいニューロシンボリック・フレームワークである。 過去のインタラクションを潜在メモリノードにマッピングし、メモリトレースをスパースなコンセプトアクティベーションに切り離す。 パーソナライズされた応答を可能にしながら、明示的および暗黙的な嗜好の両方をキャプチャすることで、最先端のベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2026-09-16T10:55:22Z)
• 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)
• HAGE: Harnessing Agentic Memory via RL-Driven Weighted Graph Evolution [4.180315687162217]
  HAGEはエージェント型大規模言語モデル(LLM)システムのための重み付きマルチリレーショナルメモリフレームワークである。 クエリが与えられた場合、LLMベースの分類器はリレーショナルインテントを識別し、ルーティングネットワークはエッジ埋め込みの対応する次元を動的に変調する。 トラバーサルスコアは、意味的類似性とこれらのクエリ条件付きエッジ表現の学習された組み合わせによって計算される。
  論文  参考訳（メタデータ） (2026-05-11T03:41:18Z)
• Evoking User Memory: Personalizing LLM via Recollection-Familiarity Adaptive Retrieval [59.295767860331004]
  RF-Memは、親しみやすい不確実性誘導デュアルパスメモリレトリバーである。 それは、人間のようなデュアルプロセス認識をレトリバーに埋め込む。 一定の予算とレイテンシの制約の下で、ワンショット検索とフルコンテキスト推論を一貫して上回る。
  論文  参考訳（メタデータ） (2026-03-10T06:31:44Z)
• Implicit Graph, Explicit Retrieval: Towards Efficient and Interpretable Long-horizon Memory for Large Language Models [26.694294747866834]
  暗黙的なグラフメモリと明示的なサブグラフ検索を組み合わせたメモリフレームワークであるLatntGraphMemを提案する。 LatentGraphMemは、安定性と効率性のためにグラフ構造化メモリを潜時空間に格納する。 複数のモデルスケールにわたるロングホライゾンベンチマークの実験によると、LatentGraphMemは、明示的なグラフと潜在メモリのベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-01-06T21:10:10Z)
• From Single to Multi-Granularity: Toward Long-Term Memory Association and Selection of Conversational Agents [79.87304940020256]
  大言語モデル(LLM)は会話エージェントで広く採用されている。 MemGASは、多粒度アソシエーション、適応選択、検索を構築することにより、メモリ統合を強化するフレームワークである。 4つの長期メモリベンチマークの実験により、MemGASは質問応答と検索タスクの両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-26T06:13:07Z)
• Learning Dynamic Compact Memory Embedding for Deformable Visual Object Tracking [82.34356879078955]
  本稿では,セグメント化に基づく変形可能な視覚追跡手法の識別を強化するために,コンパクトなメモリ埋め込みを提案する。 DAVIS 2017ベンチマークでは,D3SやSiamMaskなどのセグメンテーションベースのトラッカーよりも優れている。
  論文  参考訳（メタデータ） (2021-11-23T03:07:12Z)

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。