論文の概要: Event-Centric Memory with Query-Aware Graph Augmentation for Long-Term Conversational Agents

• arxiv url: http://arxiv.org/abs/2610.11920v1
• Date: Thu, 08 Oct 2026 13:17:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.039757
• Title: Event-Centric Memory with Query-Aware Graph Augmentation for Long-Term Conversational Agents
• Title（参考訳）: 長期会話エージェントのためのクエリ対応グラフ拡張によるイベント中心記憶
• Abstract要約: 本稿では,人間の記憶を動機とした新しいメモリ構築とアクティベーションフレームワークQGMemを提案する。 QGMemは、長い対話履歴を個々の体験を保存するイベントインデックス化された原子記憶ユニットに変換する。 検索,マルチホップエビデンス構成,コンフリクト解決,コンパクトな文脈による超長文対話推論において,一貫した利得を示す。
• 参考スコア（独自算出の注目度）: 51.804747364500344
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For persistent and personalized conversational agents, memory systems can enable them to remember, update, and reason over long histories by storing past interactions and retrieving relevant information. Existing memory systems typically follow two paradigms: flat-structured memory and graph-based memory. The former is lightweight but leaves event relations and state updates implicit, while the latter explicitly models memory structure but incurs additional construction cost and introduces irrelevant relations over long histories. To address these limitations, we propose QGMem, a novel memory construction and activation framework motivated by human memory, in which experience is organized into events and query-relevant events are modeled by graph as working memory. QGMem converts long dialogue histories into event-indexed atomic memory units that preserve individual experiences and consolidates related units into dynamic memory traces that retain state trajectories and current states. When a query arrives, hybrid memory retrieval gathers complementary candidate memories, and query-aware reranking activates the most relevant units as a compact working memory. To expose relational dependencies in the working memory and support conflict-aware reasoning, QGMem organizes the working memory as a local graph, which is then encoded as a graph token and provided to the LLM together with the textual working memory to improve evidence utilization during answer generation. Experiments across six benchmarks validate the framework and show consistent gains in retrieval, multi-hop evidence composition, conflict resolution, and ultra-long dialogue reasoning with compact contexts and moderate inference cost.
• Abstract（参考訳）: 永続的でパーソナライズされた会話エージェントのために、メモリシステムは、過去のインタラクションを保存し、関連する情報を取得することによって、長い履歴を記憶、更新、理屈をすることができる。 既存のメモリシステムは一般にフラットなメモリとグラフベースのメモリの2つのパラダイムに従う。 前者は軽量だが、イベントの関係や状態の更新を暗黙的に残し、後者はメモリ構造を明示的にモデル化するが、追加の建設コストを発生させ、長い歴史について無関係な関係を導入する。 これらの制約に対処するため,人間の記憶に動機づけられた新しいメモリ構築・アクティベーションフレームワークであるQGMemを提案し,経験をイベントに整理し,クエリ関連イベントをワーキングメモリとしてグラフでモデル化する。 QGMemは、長い対話履歴を個々の経験を保存し、関連する単位を状態軌跡と現在の状態を保持する動的メモリトレースに集約するイベントインデックス化された原子メモリ単位に変換する。 クエリが到着すると、ハイブリッドメモリ検索は補完的な候補記憶を集め、クエリ認識の再起動は、最も関連性の高いユニットをコンパクトなワーキングメモリとして活性化する。 QGMemは、作業メモリにおける関係性を公開するとともに、競合認識推論をサポートするために、作業メモリを局所グラフとして整理し、グラフトークンとして符号化し、テキストワーキングメモリとともにLLMに提供し、回答生成時のエビデンス利用を改善する。 6つのベンチマークの実験では、このフレームワークを検証し、検索、マルチホップエビデンスの構成、コンフリクトの解決、コンパクトなコンテキストと適度な推論コストによる超長い対話推論において一貫した利得を示す。

関連論文リスト

• Retrieval-Driven Memory Reconsolidation for Long-Term LLM Agents [39.55670043123564]
  既存のメモリシステムは、新しい情報が到着したときにメモリを更新する。 検索フィードバックは、将来のアクセスのためにメモリを再編成するために利用されることはめったにない。 LLMエージェントの長期記憶を継続的に進化させるフレームワークである textbfREALM を提案する。
  論文  参考訳（メタデータ） (2026-09-13T05:17:37Z)
• Memory is Reconstructed, Not Retrieved: Graph Memory for LLM Agents [51.30250860677378]
  本稿では,連想記憶グラフとアクティブな再構成機構を組み合わせたフレームワークであるMRAgentを提案する。 Cue-Tag-Contentグラフ上で実行することで,メモリアクセスに直接推論を統合する。 LoCoMoベンチマークとLongMemEvalベンチマークの実験は、強いベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2026-06-04T11:29:46Z)
• MemGuard: Preventing Memory Contamination in Long-Term Memory-Augmented Large Language Models [56.31411457917676]
  本稿では,メモリ構築と検索において,機能的メモリ境界を保存するタイプアウェアメモリフレームワークであるMemGuardを紹介する。 幻覚と長期会話のベンチマーク全体で、MemGuardはメモリの信頼性を最大28.27%向上し、メモリトークンは以前の方法より5.8倍少ない。
  論文  参考訳（メタデータ） (2026-05-27T06:04:19Z)
• MemGround: Long-Term Memory Evaluation Kit for Large Language Models in Gamified Scenarios [33.8882826707344]
  MemGroundは、リッチでゲーミフィケーションされたインタラクティブシナリオを基盤とした、厳格な長期メモリベンチマークである。 メモリ利用と行動軌跡の両方を包括的に定量化するために,多次元計量スイートを提案する。
  論文  参考訳（メタデータ） (2026-03-23T02:57:39Z)
• AdaMem: Adaptive User-Centric Memory for Long-Horizon Dialogue Agents [49.63422082885992]
  長軸対話エージェントのための適応型ユーザ中心メモリフレームワークであるAdaMemを提案する。 AdaMemは対話履歴をワーキング、エピソディック、ペルソナ、グラフメモリに整理する。 LoCoMo と PERSONAMEM ベンチマーク上での AdaMem の評価を行った。
  論文  参考訳（メタデータ） (2026-03-17T13:22:54Z)
• Graph-based Agent Memory: Taxonomy, Techniques, and Applications [63.70340159016138]
  メモリはLarge Language Model(LLM)ベースのエージェントの中核モジュールとして出現する。 さまざまなパラダイムの中でグラフは、関係依存をモデル化する本質的な能力のため、エージェントメモリの強力な構造として際立っている。 本調査では, エージェントメモリの総合的な検討について, グラフベースの観点から述べる。
  論文  参考訳（メタデータ） (2026-02-05T13:49:05Z)
• Memora: A Harmonic Memory Representation Balancing Abstraction and Specificity [26.512226057571947]
  Memoraは、抽象性と特異性の構造的バランスをとるハーモニックメモリ表現である。 本稿では,LoCoMoベンチマークとLongMemEvalベンチマークでMemoraが新たな最先端性を確立し,メモリスケールとしての検索妥当性と推論の有効性を示す。
  論文  参考訳（メタデータ） (2026-02-03T09:44:43Z)
• Memory Matters More: Event-Centric Memory as a Logic Map for Agent Searching and Reasoning [55.251697395358285]
  大規模言語モデル(LLM)は、環境を推論し、計画し、相互作用するインテリジェントエージェントとして、ますます多くデプロイされている。 長期のシナリオに効果的にスケールするには、そのようなエージェントの重要な機能は、過去の経験を保持し、整理し、取り出すことができるメモリメカニズムである。 イベント理論にインスパイアされたイベント中心のメモリフレームワークであるCompassMemを提案する。
  論文  参考訳（メタデータ） (2026-01-08T08:44:07Z)
• 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)

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。