論文の概要: Memory Type Varies: Empowering LLM Agents for Long-Term Memory with Diverse Strategies

• arxiv url: http://arxiv.org/abs/2610.11573v1
• Date: Thu, 08 Oct 2026 09:28:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.92643
• Title: Memory Type Varies: Empowering LLM Agents for Long-Term Memory with Diverse Strategies
• Title（参考訳）: メモリタイプバリア: 長期記憶にLLMエージェントを活用
• Abstract要約: 本稿では,学習ルータモデルを用いて,各メモリとクエリタイプを適応的に認識できるMemoTypeというメモリフレームワークを提案する。 メモリとクエリルーティングにより、MemoTypeは、対応するクエリタイプと設計のカスタマイズされた検索戦略で、メモリを検索できる。 3つのデータセットに関する大規模な実験は、MemoTypeが既存のメソッドを一貫して上回っていることを示している。
• 参考スコア（独自算出の注目度）: 60.15123079778251
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The memory capabilities of Large Language Models (LLMs) have garnered increasing attention recently. Despite great success achieved, existing retrieval-based memory approaches typically overlook the differences between memories and employ a unified strategy to process all memories, leading to suboptimal performance. Thus, an intuitive question arises: can we categorize memory into different types and select appropriate strategies? However, given the topic-rich, scenario-complex, and boundary-blurred nature of memory scenarios, achieving precise classification of memories is not easy. To address this challenge, we propose a memory multi-class dataset in this paper, termed TriMEM, which provides precise annotations for memory types across diverse scenarios. Building upon this foundation, we propose a novel memory framework, named MemoType, which can adaptively recognize each memory and query type with the learned router model. With the memory and query routing, MemoType can retrieve the memory with corresponding query types and design tailored retrieval strategies, thereby enhancing the retrieval performance. Moreover, we theoretically prove that any single retrieval strategy is subject to a fundamental upper bound on its expected retrieval precision in multi-class corpora, leading to systematic precision degradation. Extensive experiments on three datasets demonstrate that MemoType consistently outperforms existing methods, achieving up to 16.18% improvement in Recall@1.
• Abstract（参考訳）: 大規模言語モデル(LLM)のメモリ能力は近年注目を集めている。 大きな成功にもかかわらず、既存の検索ベースのメモリアプローチは、通常、メモリ間の差異を見落とし、すべてのメモリを処理する統一的な戦略を採用し、最適以下のパフォーマンスをもたらす。 メモリを異なるタイプに分類し、適切な戦略を選択することができるか? しかし、話題が豊富でシナリオが複雑で、境界が青みを帯びたメモリシナリオの性質を考えると、メモリの正確な分類は容易ではない。 この課題に対処するため、我々はTriMEMと呼ばれるメモリマルチクラスデータセットを提案し、様々なシナリオにまたがるメモリタイプに対する正確なアノテーションを提供する。 この基盤を基盤として,学習ルータモデルを用いて各メモリとクエリタイプを適応的に認識できるMemoTypeという新しいメモリフレームワークを提案する。 メモリとクエリルーティングにより、MemoTypeは、対応するクエリタイプと設計調整された検索戦略でメモリを検索できるため、検索性能が向上する。 さらに, 一つの検索戦略が, 多クラスコーパスにおいて期待される検索精度に基礎的な上限となることを理論的に証明し, 体系的精度劣化をもたらす。 3つのデータセットに対する大規模な実験は、MemoTypeが既存のメソッドを一貫して上回り、Recall@1で最大16.18%の改善を達成していることを示している。

関連論文リスト

• 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)
• MemSearch-o1: Empowering Large Language Models with Reasoning-Aligned Memory Growth in Agentic Search [59.98962867649009]
  本稿では,メモリ成長とリトラシングに基づくエージェント検索フレームワークであるMemSearch-o1を提案する。 MemSearch-o1はクエリからメモリシードトークンからきめ細かいメモリフラグメントを成長させ、コントリビューション関数を通じてメモリを再トレースし、深く洗練し、最終的にグローバルに接続されたメモリパスを再編成する。
  論文  参考訳（メタデータ） (2026-04-19T05:35:06Z)
• LMEB: Long-horizon Memory Embedding Benchmark [49.57481835614834]
  埋め込みモデルの能力を評価する包括的なフレームワークであるLong-Horizon Memory Embedding Benchmark (LMEB)を紹介する。 LMEBは4つのメモリタイプにまたがる22のデータセットと193のゼロショット検索タスクにまたがる。 我々は、数億から100億のパラメータを含む、広く使われている15の埋め込みモデルを評価した。
  論文  参考訳（メタデータ） (2026-03-13T02:09:57Z)
• Multiple Memory Systems for Enhancing the Long-term Memory of Agent [9.43633399280987]
  MemoryBankやA-MEMといった既存の手法は、記憶されているメモリの質が劣っている。 我々は認知心理学理論にインスパイアされた多重記憶システムを設計した。
  論文  参考訳（メタデータ） (2025-08-21T06:29:42Z)
• MemoCue: Empowering LLM-Based Agents for Human Memory Recall via Strategy-Guided Querying [12.524353050278105]
  戦略誘導型エージェント支援メモリリコール手法を提案し,エージェントが元のクエリをキューリッチなクエリに変換する。 メモリクエリを5つの典型的なシナリオに分類する5Wリコールマップを設計する。 次に,モンテカルロ木探索アルゴリズムと組み合わせた階層的リコールツリーを提案し,戦略選択と戦略応答の生成を最適化する。
  論文  参考訳（メタデータ） (2025-07-31T15:11:38Z)
• A Model or 603 Exemplars: Towards Memory-Efficient Class-Incremental Learning [56.450090618578]
  CIL(Class-Incremental Learning)は、この要件を満たすために、限られたメモリサイズでモデルをトレーニングすることを目的としている。 モデルサイズを総予算にカウントし,メモリサイズに整合する手法を比較すると,保存モデルは常に機能しないことを示す。 本稿では,メモリ効率のよい拡張可能なMOdelのための MEMO という,シンプルで効果的なベースラインを提案する。
  論文  参考訳（メタデータ） (2022-05-26T08:24:01Z)

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。