論文の概要: Gated Memory: Admission-Controlled Memory Formation for Conversational AI
- arxiv url: http://arxiv.org/abs/2610.11270v1
- Date: Thu, 08 Oct 2026 05:27:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:53.814753
- Title: Gated Memory: Admission-Controlled Memory Formation for Conversational AI
- Title（参考訳）: Gated Memory: 会話型AIのためのアドミッション制御型メモリ生成
- Abstract要約: 本稿では,会話と記憶の2つの決定チェックポイントを介する軽量なモジュール構成フレームワークを提案する。
Gated Memory は強いベースラインに対して LLM-judge の精度を総じて 2.6% 向上させる。
- 参考スコア（独自算出の注目度）: 0.9685837672183748
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Personalized conversational AI relies on long-term memory systems that extract facts from user utterances and store them in persistent vector stores. Despite progress in retrieval, deduplication, and lifecycle management, the formation stage, the moment a fact is first written to storage has received almost no principled attention. We identify this as the binding constraint on memory quality in production systems. Critical contextual signals, such as the distinction between a permanent user attribute and a transient situation, exist only in the original utterance and are irreversibly lost the moment extraction produces a subject-relation-object triple. No downstream process can recover them. We propose Gated Memory, a lightweight, modular formation framework that interposes two decision checkpoints between conversation and storage: an admission gate that evaluates every candidate fact against the full utterance context before extraction runs, and a conditional enrichment stage that grounds admitted facts through an entity scope taxonomy with privacy constraints. The gate evaluates only the current exchange while using prior turns as read-only reference context, and produces a structured formation record. Admitted content is decomposed into atomic facts, each categorized, tagged with provenance (directly stated versus inferred), scoped to its condition of applicability, and grounded in resolved time and place, subject to a constraint that no entity absent from the context may be asserted. On the LoCoMo-10 benchmark with atypical emotional density in utterance data, Gated Memory achieves an overall +2.6% relative improvement in LLM-judge accuracy over a strong baseline with identical retrieval and generation, establishing formation quality as a measurable constraint on memory performance.
- Abstract（参考訳）: パーソナライズされた会話AIは、ユーザの発話から事実を抽出し、それらを永続的なベクトルストアに格納する長期記憶システムに依存している。
検索、重複解消、ライフサイクル管理の進歩にもかかわらず、生成段階では、記憶装置に最初に書き込まれた瞬間はほとんど何の注意も払われていない。
本報告では,本システムにおけるメモリ品質の拘束力について述べる。
恒久的なユーザ属性と過渡的な状況の区別のような重要な文脈信号は、元の発話のみに存在するため、モーメント抽出が不可逆的に失われると、主観関係オブジェクトのトリプルが生成される。
下流のプロセスはそれらを回復できない。
Gated Memory は,会話と記憶の2つの決定チェックポイントを介する,軽量なモジュール型生成フレームワークである。抽出前に全発話コンテキストに対してすべての候補事実を評価する入場ゲートと,エンティティスコープの分類とプライバシ制約による事実の認識を基盤とする条件付きエンリッチメントステージである。
ゲートは、前のターンを読み取り専用参照コンテキストとして使用しながら、現在の交換のみを評価し、構造化された形成記録を生成する。
許可された内容は原子的な事実に分解され、それぞれ分類され、証明(直接的に述べられているか推測されているか)にタグ付けされ、適用可能性の条件にスコープされ、解決された時間と場所に基づいて、文脈から欠落するエンティティは主張できないという制約が課される。
発話データに非典型的な感情密度を持つLoCoMo-10ベンチマークにおいて、Gated Memoryは、同一の検索と生成を持つ強いベースライン上でのLLM-judge精度の全体的な2.6%の相対的改善を実現し、メモリ性能の計測可能な制約として形成品質を確立する。
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) - Dual-Grained Agent Memory and Shapley Context Attribution for Multimodal Agentic Learner [55.80248281761638]
マルチモーダルな大言語モデル (MLLM) は、科学的および数学的推論において、印象的な認識を提供する。
本稿では,DG-Memを提案する。DG-Memは,トレーニングタイムのロールアウトから一度構築した外部記憶メモリと,テスト時に読み取り専用に相談することで,凍結したMLLMを拡張可能なエージェントメモリフレームワークである。
論文 参考訳（メタデータ） (2026-08-24T13:56:01Z) - ConsistencyGate: Preventing Memory Contamination in LLM Agents via Self-Consistency Admission Control [9.963270019475283]
平均値がしきい値を超える場合にのみmを許容する書き込み時入場ゲートを提案する。
このメカニズムはモデルに依存しないため、微調整を必要とせず、レイテンシに敏感なデプロイメントのためのログ確率の変種において、単一のフォワードパスに還元される。
論文 参考訳（メタデータ） (2026-07-25T00:08:09Z) - 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) - Remembering Distinct Items, Not Tokens: A Learnable Dirichlet-Process Cache Between State-Space Models and Attention [0.48342038441006796]
本稿では,入力が新規である場合にのみスロットを割り当てるスパースキャッシュについて検討する。
固定濃度の静的キャッシュと,最近の新規性率に追従したサプライズ適応変種という2つの形態で開発する。
論文 参考訳（メタデータ） (2026-07-10T18:28:21Z) - Rethinking How to Remember: Beyond Atomic Facts in Lifelong LLM Agent Memory [88.81430082035617]
LLMエージェントは、蓄積された対話履歴を忠実に保存し、効率的に検索し、深く推論できるメモリシステムを必要とする。
本稿では,ソース識別子に固定された生の対話セグメントを含む3つの共存表現の粒度を格納するTriMemを提案する。
論文 参考訳（メタデータ） (2026-05-19T15:05:06Z) - Is One Score Enough? Rethinking the Evaluation of Sequentially Evolving LLM Memory [50.857546269660276]
本稿では,大規模言語モデル(LLM)メモリを逐次進化させる診断評価フレームワークであるSeqMem-Evalを紹介する。
最終的なパフォーマンスのみに焦点を当てるのではなく、SeqMem-Evalは、シーケンシャル推論において、メモリ状態がどのように進化し、一般化し、エクスペリエンスを集約し、有用な情報を保持するかを評価する。
論文 参考訳（メタデータ） (2026-05-14T20:15:22Z) - Remember the Decision, Not the Description: A Rate-Distortion Framework for Agent Memory [120.68750043918249]
記憶は、決定にとって重要な区別を、記述ではなく保存すべきであることを示す。
DeMemは,共有状態が決定競合を誘発することを示すデータに対してのみ,分割を洗練させるオンラインメモリ学習システムである。
論文 参考訳（メタデータ） (2026-05-11T17:20:58Z) - Locomo-Plus: Beyond-Factual Cognitive Memory Evaluation Framework for LLM Agents [19.76627324918285]
我々は,cue-trigger セマンティック・ディコネクションの下で認知記憶を評価するためのベンチマークである textbfLoCoMo-Plus を紹介する。
従来の文字列マッチングの指標と明示的なタスクタイププロンプトが,このようなシナリオと一致していないことを示す。
多様なバックボーンモデル、検索ベースの方法、メモリシステムによる実験は、認知記憶が依然として困難であることを証明している。
論文 参考訳（メタデータ） (2026-02-11T10:22:35Z) - Beyond Dialogue Time: Temporal Semantic Memory for Personalized LLM Agents [68.84161689205779]
テンポラルセマンティックメモリ(TSM)は、ポイントワイドメモリのセマンティックタイムをモデル化するメモリフレームワークである。
TSMは既存の手法を一貫して上回り、最大12.2%の精度向上を実現している。
論文 参考訳（メタデータ） (2026-01-12T12:24:44Z)
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。