論文の概要: Temporal Evidence Forests for Long-Horizon Multi-Party Conversational Memory

• arxiv url: http://arxiv.org/abs/2610.12874v1
• Date: Fri, 09 Oct 2026 02:05:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.348161
• Title: Temporal Evidence Forests for Long-Horizon Multi-Party Conversational Memory
• Title（参考訳）: 長期多人数会話記憶のための時間的エビデンスフォレスト
• Abstract要約: 長期記憶は、永続的な相互作用とパーソナライズされた支援をサポートするためにLLMベースのエージェントで広く採用されている。 本稿では,T-Memを提案する。T-Memは時間的構造に基づくメモリフレームワークで,インタラクションを保存し,2つの時間的メカニズムを通じてクエリ関連エビデンスを整理する。
• 参考スコア（独自算出の注目度）: 31.801129799758044
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Long-term memory has been widely adopted in LLM-based agents to support persistent interaction and personalized assistance. Long-term multi-party interactions, however, accumulate substantially more detailed information, with decisions repeatedly updated and states evolving across participants and interaction stages. Temporal structure is therefore crucial for tracing such memories: relevant information often appears densely within short intervals, while transitions among different states are anchored by a strict temporal order. Existing temporally aware memory frameworks primarily store time as metadata or use temporal signals to guide retrieval over preconstructed memory structures, without using temporal structure to both recover locally concentrated evidence and reconstruct its complete event progression. To address these limitations, we propose T-Mem, a temporal-structure-based memory framework that preserves interactions and organizes query-relevant evidence through two temporal mechanisms. Temporal Evidence Discovery exploits the local concentration of related messages to recover overlooked evidence, while Temporal Memory Structuring models state transitions and supporting relations over time and compresses low-information spans within the resulting forest. Evidence Forest Linearization then serializes the structured evidence for answer generation. Experiments on two long-term multi-party memory benchmarks demonstrate that T-Mem consistently outperforms competitive memory frameworks across LLMs, parameter settings, domains, and query types.
• Abstract（参考訳）: 長期記憶は、永続的な相互作用とパーソナライズされた支援をサポートするためにLLMベースのエージェントで広く採用されている。 しかし、長期にわたる多人数インタラクションは、決定が繰り返し更新され、参加者と相互作用段階の間で状態が進化するなど、より詳細な情報を蓄積する。 そのため、時間構造はそのような記憶の追跡に不可欠であり、関連する情報は短い間隔で密集的に現れることが多く、異なる状態間の遷移は厳密な時間順序で固定される。 既存の時間的認識メモリフレームワークは、主にメタデータとして時間を保存するか、あるいは時間的信号を使用して、時間的構造を用いることで、局所的な集中したエビデンスを復元し、その完全なイベントの進行を再構築する。 これらの制約に対処するため、T-Memは時間構造に基づくメモリフレームワークで、インタラクションを保存し、2つの時間的メカニズムを通してクエリ関連エビデンスを整理する。 時間的証拠発見(Temporal Evidence Discovery)は、関連したメッセージの局所的な集中を利用して、見落としている証拠を復元する。 エビデンスフォレスト線形化(Evidence Forest Linearization)は、答え生成のための構造化されたエビデンスをシリアライズする。 2つの長期にわたるマルチパーティメモリベンチマークの実験では、T-MemはLLM、パラメータ設定、ドメイン、クエリタイプで競合するメモリフレームワークよりも一貫して優れていた。

関連論文リスト

• Event-Centric Memory with Query-Aware Graph Augmentation for Long-Term Conversational Agents [51.804747364500344]
  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。
  論文  参考訳（メタデータ） (2026-10-08T13:17:59Z)
• 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)
• 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)
• MRMS: A Multi-Resolution Memory Substrate for Long-Lived AI Agents [2.808851478009314]
  長期的なAIエージェントは、相互作用の連続性を必要とする。 プロンプトウィンドウを拡張するだけで連続性を得ることはできない。 2つの軸に沿って構成されたアーキテクチャ記憶基板を提案する。
  論文  参考訳（メタデータ） (2026-07-06T02:54:37Z)
• REAL: A Reasoning-Enhanced Graph Framework for Long-Term Memory Management of LLMs [17.526686616588794]
  大きな言語モデル(LLM)は、長い時間をかけてユーザーと対話することがますます期待されている。 LLMは過去のすべてのインタラクションを保持することができず、履歴情報の保存、更新、検索には長期記憶管理が不可欠である。 REALは長期会話記憶を時間的かつ信頼性に配慮したプロパティグラフとして構成する。
  論文  参考訳（メタデータ） (2026-06-09T10:53:10Z)
• 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)
• 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)
• 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)
• MemWeaver: Weaving Hybrid Memories for Traceable Long-Horizon Agentic Reasoning [26.119505362626338]
  本稿では,長期エージェント体験を3つの相互接続コンポーネントに集約する統合メモリフレームワークを提案する。 MemWeaverは、構造化された知識を共同で検索し、エビデンスをサポートし、コンパクトで情報密度の高いコンテキストを構築するデュアルチャネル検索戦略を採用している。
  論文  参考訳（メタデータ） (2026-01-26T06:39:27Z)
• 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。